分类-Classification
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()