[pytorch学习笔记三] 搭建网络实现带有不同标签的数据点的分类

学自莫凡python

1.实验结果

设置两组数据点，并且把右上的数据群的所有点的标签都设为0，左下数据集群所有点的标签都设为1。
现在我们搭建简单的神经网络，把标签不同的数据点都区分开，标上不同的颜色。呈上实验的训练效果图。

2.实验过程

# 1.导入必要的模块
import torch
import torch.nn.functional as F   # F中含有激励函数
import matplotlib.pyplot as plt #用于绘图

# 2.生成数据

# 生成一个100行2列的全1张量，即100个二维坐标点。
n_data = torch.ones(100,2)

x0 = torch.normal(2*n_data,1)  
# 函数torch.normal(means, std, out=None)
# 返回一个张量，包含了从指定均值means和标准差std的离散正态分布中抽取的一组随机数，所以生成的x0对应的点都在坐标（2，2）附近。
# x0是一个100行2列的张量，第一群点的横坐标（x0的第一列）和纵坐标（x0的第二列）都在x0中
y0 = torch.zeros(100)   # 设置第一群点的标签都是0
x1 = torch.normal(-2*n_data,1)  # 第二群点的横坐标和纵坐标都在x1中
y1 = torch.ones(100)   # 设置第二群点的标签都是1

x = torch.cat((x0,x1),0).type(torch.FloatTensor) # 把坐标值都转换为32位的浮点型tensor
y = torch.cat((y0,y1),).type(torch.LongTensor)   # 标签转换为64位的整型tensor

# plt.scatter(x.data.numpy()[:,0], x.data.numpy()[:,1],c=y.data.numpy(),
            s=100,lw=0,cmap='RdYlGn')
# plt.show()

# 3.搭建神经网络

class Net(torch.nn.Module):

    # 设置神经网络属性，定义各层的信息
    def __init__(self, n_feature, n_hidden,n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    # 前向传递过程
    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

# 4.定义网络

net = Net(2,8,2)  # 设置2输入（横坐标和纵坐标），2输出（0，1），含有8个神经元的隐藏层
print(net)

# 设置一个实时打印的过程，显示在屏幕
plt.ion()
plt.show()

# 5.设置优化器

# 选择SGD优化器对神经网络的全部参数进行优化，学习率设置为0.02
optimizer = torch.optim.SGD(net.parameters(),lr=0.02)

# 计算误差，MSELoss用于回归问题，CrossEntropyLoss用于分类。
loss_func = torch.nn.CrossEntropyLoss()

# 6.训练

for t in range(100):
    out = net(x)   #产生预测值
    loss = loss_func(out, y)  # 计算预测值与真实值之间的误差
    optimizer.zero_grad()  # 将网络中所有参数的梯度降为0
    loss.backward()  # 误差反向传播，并对每个节点计算梯度
    optimizer.step()  # 以学习率位0.02对梯度进行优化

    # 每学习2步打印一次
    if t % 2 == 0:
        # plot and show learning process
        plt.cla()
        prediction = torch.max(F.softmax(out), 1)[1]
        pred_y = prediction.data.numpy()
        target_y = y.data.numpy()
        plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlGn')
        accuracy = float((pred_y == target_y).astype(int).sum()) / float(target_y.size)
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
    plt.pause(0.1)

# 实时打印结束
plt.ioff()
plt.show()