简单神将网络的搭建-实现简单对分类

首先创建一个mymodel函数，继承torch类

import torch

import torch.nn as nn

class MyModel(nn.Module):

    '''要想使用pytorch平台，必须继承nn.model'''

    def __init__(self) :

        super(MyModel,self).__init__()

        #创建两层的神经网络

        self.fc1=nn.Linear(3,4)#全连接full connection

        self.fc2=nn.Linear(4,2)#输入三个神经元，输出四个神经元

    def forward(self,x):        #前向传播函数

        x=self.fc1(x)

        x=torch.tanh(x)#对x进行激活函数对处理

        x=self.fc2(x)

        return x

然后写训练的文本文件，并开始训练

#训练神经网络的代码

from mymodel import MyModel

import torch

#读取文本文件中的数据，把他们转成torch网络能够使用对数据格式

datafile=open('data.txt','r',encoding='utf-8')

data=list(datafile)

x1=[]

x2=[]

x3=[]

y=[]

for line in data:

    line=line.replace('\n','')

    val=line.split(',')

    x1.append(float(val[0]))

    x2.append(float(val[1]))

    x3.append(float(val[2]))

    y.append(int(val[3]))

#print(x1,x2,x3,y)

x1=torch.tensor(x1)

x2=torch.tensor(x2)

x3=torch.tensor(x3)

y=torch.tensor(y)#变量变成了torch的tensor

x=torch.stack((x1,x2,x3),1)

print(x)

print(y)

#定义一个神经网络模型

model=MyModel()

#创建一个优化算法变量

optimizer=torch.optim.Adam(model.parameters(),lr=0.01)#lr---learning rate <--->eta

#创建损失函数

loss_fn=torch.nn.CrossEntropyLoss()#交叉熵损失

#训练模型

for epoch in range(100):#训练100轮

    #前向传播

    y_pred=model(x)

    #计算损失

    loss=loss_fn(y_pred,y)

    #反向传播

    optimizer.zero_grad()#梯度清零

    loss.backward()#损失的反向传播

    #更新参数

    optimizer.step()#优化器调整权值

    print(epoch,loss.item())