从零学习PyTorch(5)----整个天空都是灰蒙蒙的

两大基础任务之一的分类任务，根据 data和 targets进行训练，之后对目标进行预判。
依旧是一样，根据视频来编写的代码，会使你看视频更加容易，都有注释，哈哈哈哈哈

示例代码

import torch as t
import torch.nn.functional as tnf
import matplotlib.pyplot as plt

# 生成一个全是1的二维tensor,每个维度参数为(x,y)
n_data = t.ones(100, 2)
# 参数含义为(均值,标准差)，根据这个正态分布随机生成和上面相同类型的tensor
x0 = t.normal(2*n_data, 1)
# 生成一个全是0的1维tensor,维度参数为100
y0 = t.zeros(100)
x1 = t.normal(-2*n_data, 1)
y1 = t.ones(100)
# 根据dim参数将两个tensor拼接起来,这里的话就是将两个x——tensor在一维进行拼接(200,2)
x = t.cat((x0, x1), 0).type(t.FloatTensor)
# y是一维tensor，所以直接拼接就好了
y = t.cat((y0, y1), ).type(t.LongTensor)

# x_tensor是一个二维张量,这里转化为numpy二维数组，取一维所有数据，二维中的第一个量为x轴，第二个量为y轴
# plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')
# plt.show()


# unsqueeze大概可以理解为将一维tensor转化为二维tensor
# 最主要的是如果听信弹幕屁话，这里不用这个东西，直接把一维tensor代入就会报错mismatch
# x = t.unsqueeze(t.linspace(-1, 1, 100), dim=1)
# y = x.pow(2) + 0.2 * t.rand(x.size())

# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()


class Net(t.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        # 继承父类初始方法
        super().__init__()
        # 创建一层hidden神经网络，向后接收n_features个输入，由n_hidden个神经元组成
        self.hidden = t.nn.Linear(n_feature, n_hidden)
        # 创建一层predict神经网络，向后接收n_hidden个输入，由n_output个神经元组成
        self.predict = t.nn.Linear(n_hidden, n_output)
        # 需要注意的是，这里只是定义，并不代表搭建，并没有构建好连接。

    def forward(self, x):
        # x为输入的data
        # 神经元之间的传递是线性的，非线性是由激励函数实现的
        # 让数据先进入hidden层进行处理，然后使用激励函数relu进行非线性处理
        x = tnf.relu(self.hidden(x))
        # 再让其进入predict层进行处理
        x = self.predict(x)
        return x


# 运用多分类，这次输入是两个特征，输出为二分类，[0,1]和[1,0]
net = Net(2, 10, 2)

plt.ion()
plt.show()

# 使用optimizer来进行优化，一般选择SGD(随机梯度下降)
# 参数理解分别为(神经网络里面所有参数，学习效率)
# 学习效率一般小于1，差不多可以理解为梯度下降的步长，大了就会错失一些细节点
optimizer = t.optim.SGD(net.parameters(), lr=0.02)
# 计算误差，以下为均方差的方法
# loss_func = t.nn.MSELoss()
loss_func = t.nn.CrossEntropyLoss()

for i in range(500):
    # 预测----计算丢失函数----梯度清零----向后传播----优化器优化
    # 至于为什么要梯度清零，我现在也没搞懂，这啥玩意。
    out = net(x)
    # prediction = tnf.softmax(prediction)
    # 这里y应该是一个一维张量，但是prediction应该是二维的，为什么能够计算？
    loss = loss_func(out, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if i % 2 == 0:
        plt.cla()
        # max函数会返回tensor里面关于最大值的信息，返回两个，第一个为最大值的值，第二个为最大值的索引
        # max函数里面参数为(tensor, 0/1) 0代表每列最大值, 1代表每行最大值
        # softmax会产生warning,更新后需要设置softmax的对象维度。
        prediction = t.max(tnf.softmax(out, dim=1), 1)[1]
        pre_y = prediction.data.numpy()
        target_y = y.data.numpy()

        plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pre_y, s=100, lw=0, cmap='RdYlGn')
        accuracy = sum(pre_y==target_y)/200
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
        plt.pause(0.1)
        # plt.scatter(x.data.numpy(), y.data.numpy())
        # plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        # plt.text(0.5, 0, 'Loss=%.4f' % loss.data, fontdict={'size': 20, 'color': 'red'})
        # plt.pause(0.1)

plt.ioff()
plt.show()