pytorch搭建简单神经网络入门

参考自：
https://blog.csdn.net/weixin_44912159/article/details/105051602
https://blog.csdn.net/Ever_glow/article/details/89086960
以下代码摘抄自https://blog.csdn.net/weixin_44912159/article/details/105051602
，请先阅读上述参考文章。（改了几个参数试试）

import torch
import matplotlib.pyplot as plt


# 搭建神经网络
class Neuro_net(torch.nn.Module):  #主要构成为__init__和forward函数
    """神经网络"""
    def __init__(self, n_feature, n_hidden_layer, n_output):
        super(Neuro_net, self).__init__()  #固定继承模块
        self.hidden_layer1 = torch.nn.Linear(n_feature, 25)  #第一个隐层，2,25
        self.hidden_layer2 = torch.nn.Linear(25, 20)  #第二个隐层，25,20
        self.output_layer = torch.nn.Linear(20, n_output)  #输出层， 20,2

    def forward(self, input):
        hidden_out1 = torch.relu(self.hidden_layer1(input))  #将第一个隐层的输入relu
        out1 = self.hidden_layer2(hidden_out1)  #将第一个隐层的输出作为第二个隐层的输入
        hidden_out2 = torch.relu(out1)   #第二个隐层的输入relu
        out2 = self.output_layer(hidden_out2)  #将第二个隐层的输出作为输出层的输入
        return out2

## 准备数据
data = torch.ones(100, 2)
x1 = torch.normal(mean=2*data, std=1)
y1 = torch.zeros(100)    # x1 对应的标签

x2 = torch.normal(mean=-2*data, std=1)
y2 = torch.ones(100)     # x2 对应的标签

train_x = torch.cat((x1, x2), dim=0).type(torch.float32)   # 合并两类数据(x1, x2)，生成训练数据
label_y = torch.cat((y1, y2), dim=0).type(torch.int64)     # 合并两类便签(y1,y2)，生成真实标签
print(train_x, label_y)
# # 查看数据分布
# plt.scatter(train_x.numpy()[:, 0], train_x.numpy()[:, 1])
# plt.show()

## 进行训练
num_feature = 2
num_hidden_layer = 10
num_output = 2
epoches = 200
net = Neuro_net(num_feature, num_hidden_layer, num_output)
print(net)   # 查看网络结构

plt.ion()

# 优化器
optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
# 定义损失函数
loss_function = torch.nn.CrossEntropyLoss()

for epoch in range(epoches):
    #以下的五句话为固定使用
    out = net(train_x)   #网络输出
    loss = loss_function(out, label_y)  #计算网络预测值和真实值之间的loss

    optimizer.zero_grad()  #因为训练的过程通常使用mini-batch方法，所以如果不将梯度清零的话，梯度会与上一个batch的数据相关，因此该函数要写在反向传播和梯度下降之前。
    loss.backward()  #反向传播
    optimizer.step()  #step()函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。
    ######################  绘图
    if epoch % 5 == 0:
        print("已训练{}步 | loss：{}。".format(epoch, loss))
        plt.cla()
        pridect_y = torch.max(out, dim=1)[1]
        pridect_label = pridect_y.data.numpy()  # 预测的label
        true_label = label_y.data.numpy()       # 真实的label

        plt.scatter(train_x.data.numpy()[:, 0], train_x.data.numpy()[:, 1], c=pridect_label)
        # 计算准确率，显示准确率
        accuracy = float((pridect_label == true_label).astype(int).sum()) / float(true_label.size)
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 12, 'color': 'blue'})
        plt.pause(0.1)

plt.ioff()
plt.show()

最重要且固定的：