pytorch深度学习：神经网络实现数据分类(分类问题)

这一节，用pytorch实现神经网络分类问题，再次熟悉pytorch搭建神经网络的步骤。

1. 问题的提出

分类问题是将数据划分种类的一种问题，常见的有二分类和多分类问题，这节就是做一个简单的二分类问题。

同样，我们先做一组数据。其中第一组数据的标签为0，第二组数据标签为1。

# x0，x1是数据，y0,y1是标签
n_data = torch.ones(100, 2)         # 数据的基本形态
x0 = torch.normal(2*n_data, 1)      # 类型0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100)               # 类型0 y data (tensor), shape=(100, )
x1 = torch.normal(-2*n_data, 1)     # 类型1 x data (tensor), shape=(100, 1)
y1 = torch.ones(100)                # 类型1 y data (tensor), shape=(100, )

将两组数据进行融合，并用散点图表示出来，明显地看到可以将数据分为2类，即红绿各代表一类。

2. 神经网络模型的搭建和训练

神经网络模型的搭建和上一节回归问题基本一样，也是先搭建网络框架，再创建模型、优化器、损失函数。

要注意的是，在这个分类问题中我们输入的数据x是2维的,输出的预测值也是2维的（几分类问题输出就是几维），因此各个网络层的神经单元数要改变。

input_dim = 2
hidden_dim = 10
out_dim = 2

还有一点不同之处在于损失函数选用的是交叉熵(CrossEntropy) ，这是在做回归问题时常用的损失函数，而分类问题中最后一层的激活函数常选用的是softmax。

有关交叉熵这有一篇博客介绍的很清晰，可以看一下。

pytorch中将两者集成在了torch.nn.CrossEntropyLoss() 这个函数中了，我们直接调用就好。

loss_func = nn.CrossEntropyLoss()

3. 结果展示

同样，我们输出训练过程中的loss值图像，发现损失值是在不断减小的，也就意味着模型拟合的越来越好。

要注意的是，这时给出的prediction并不是最后的分类值，而是一个Tensor数据格式，如[0.3,0.7]，表示神经网络预测的样本属于每类的概率，所以需要取这个概率的最大值来表示最后的分类。

prediction = torch.max(F.softmax(out), 1)[1