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: