pytorch实现简易分类模型

1 导入库

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F

2 数据处理

n_data=torch.ones(100,2)

x_0=torch.normal(2*n_data,1)
#x_0的shape是（100，2），值的均值为2*1，标准差为1
y_0=torch.zeros(100)
#y_0的shape是(100,)

x_1=torch.normal(-2*n_data,1)
#x_1的shape是（100，2），值的均值为-2*1，标准差为1
y_1=torch.ones(100)
#y_1的shape是(100,)

x=torch.cat((x_0,x_1))
#默认沿着列的方向合并
y=torch.cat((y_0,y_1)).type(torch.LongTensor)
#！！！必须得修改类型,否则之后报错
#RuntimeError: expected scalar type Long but found Float
'''
print(x.size(),y.size())
torch.Size([200, 2]) torch.Size([200])
'''

#数据可视化
plt.scatter(x[:,0],x[:,1],c=y)
plt.show()

3 模型定义

class Net(torch.nn.Module):
    def __init__(self,n_input,n_hidden,n_output):
        super(Net,self).__init__()
        
        self.hidden=torch.nn.Linear(n_input,n_hidden)
        self.out=torch.nn.Linear(n_hidden,n_output)
    
    #前向传播    
    def forward(self,x):
        x=F.relu(self.hidden(x))
        x=self.out(x)
        return x

net=Net(2,10,2)
#输入是每个点的横纵坐标，输出是属于1和属于0类的概率
net
'''
Net(
  (hidden): Linear(in_features=2, out_features=10, bias=True)
  (out): Linear(in_features=10, out_features=2, bias=True)
)
'''

4 模型训练及可视化

#训练及可视化
#优化函数
optimizer=torch.optim.SGD(net.parameters(),lr=0.2)

#损失函数
loss_func=torch.nn.CrossEntropyLoss()

for epoch in range(100):
    prediction=net(x)
    
    loss=loss_func(prediction,y)
    
    
    optimizer.zero_grad()
    #清空上一步的参与更新的参数值
    
    loss.backward()
    #误差反向传播，计算参数更新值
    
    optimizer.step()
    #将参数更新值施加到net的parameters上
    
    
    if(epoch % 10==0):
        predict=torch.max(F.softmax(prediction,dim=0),axis=1)[1]
        #默认逐行进行softmax （对num[x][1,2,....n][y]进行操作）
        #每一行然后找到最大的一个，max返回的第一个元素是这一行最大的那个值，第二个元素是这一行最大的那个值对应的下标

        #计算准确率
        predict=predict.data.numpy()
        target=y.data.numpy()  
        accuracy=sum(predict==target)/predict.size
        

        #分类结果可视化
        plt.scatter(x[:,0],x[:,1],c=predict)
        plt.text(1.5,-4,'accuracy:{acc:.2f}'.format(acc=accuracy))
        plt.show()

第一步：

最后一步：