深度学习-Pytorch实现全连接神经网络

最新推荐文章于 2024-07-16 11:20:53 发布

DataScienceZone

最新推荐文章于 2024-07-16 11:20:53 发布

阅读量4.4k

点赞数 7

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/qq_35487917/article/details/115362286

版权

该博客通过Pytorch构建了一个3层神经网络，用于鸢尾花数据的多分类任务。首先介绍了数据集和问题描述，接着进行了数据预处理，然后详细阐述了网络模型的构建过程，包括网络结构、参数定义、训练过程以及模型验证，最终输出了模型的预测准确率。

摘要由CSDN通过智能技术生成

1、数据和问题描述

本文采用 Pytorch 实现全连接神经网络，对鸢尾花数据进行分类。首先加载数据集，代码如下：

import numpy as np
import torch
import torch.utils.data as Data
from torch.nn import functional as F
from sklearn import datasets

# 读取数据
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

数据集的特征包含4列，如下图所示：

在这里插入图片描述
标签列的取值为（0，1，2）三种，是一个多分类问题。

2、数据预处理

将数据集打乱顺序，划分为训练集和测试集，同时转换为 tensor 格式,代码如下：

# 随机打乱数据集
np.random.seed(116) # 使用相同的seed，使输入特征/标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)

x_train = torch.tensor(x_data[:-30], dtype=torch.float)
y_train = torch.tensor(y_data[:-30], dtype=torch.int64)

x_test = torch.tensor(x_data[