分类练习:
构造一个三分类的网络
1.制造数据
a.先构造坐标点的基本形态 100 行 2列 ,语句:torch.ones(行数,列数)
b.使用正态分布 torch.normal(x×基本数据的tensor,方差) 会返回一个张量
c.构建标签 torch.ones(张量形状)
d.拼接数据:将样本和样本,标签和标签拼接起来 torch.cat((样本tensor1,样本tensor2),拼接的维度 ——从0开始,此处也是需要拼接第0个维度——列数不变行数增加).type()坐标用FloatTensot,标 签用LongTensor
#问题:此处为什么要设置成这两种数据格式,未知:??
2.定义网络类、继承torch.nn.Module
a.初始化,设置特征层,隐层,输出层的节点数量,继承父类的初始化方法;设置数据传播方向
b.定义正向传播,激活函数在此写
3.实例一个net
4优化器:torch.optim.SGD() 传入参数:net.parameters(),学习率
5损失函数:使用交叉熵,torch.nn.CrossEntropyLoss()
6.迭代优化并且出图
1.得到out net(x)
2.loss
3.先清理梯度信息。optimizer.zero_grad()
4.梯度反传loss.backward()
5.权重更新,optimizer.step()
6.得到标签:
输出结果中检出最大值的索引位置,使用函数:torch.max(torch.max(input, dim, keepdim=False, out=None) -> (Tensor, LongTensor) 后接[1」
input 是一个张量,dim是检索的维度 后接[0]返回该最大值的值,[1]返回该最大值的索引
把其中的数据转为numpy并且.squeeze一下(便于画图使用)
7.画图
清空画图 plt.cla()
真实的标签=y.data.numpy
把样本点全部画好plt.scatter 横坐标:x.data.numpy()[:,0] x.data.numpy()[:,1] 颜色:可以直接传入一个和横坐标size一样的numpy数组,此处可用 第六步得到的标签 然后取numpy()
计算精确度 pted_y与target_一致 除以总数
打印精确度
保持-------------------------+plt.pause(0.1)
plt.show()
plt.ioff()
import torch
import torch.nn.functional as F # 激励函数
import matplotlib.pyplot as plt
# 假数据
n_data = torch.ones(100, 2) # 数据的基本形态
x0 = torch.normal(7*n_data, 1) # 类型0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, )q
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, )
# 注意 x, y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)qq
x = torch.cat((x0, x1), 0).type(torch.FloatTensor) # FloatTensor = 32-bit floating
y = torch.cat((y0, y1), 0).type(torch.LongTensor) # LongTensor = 64-bit integer
class Net(torch.nn.Module): # 继承 torch 的 Module
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 继承 __init__ 功能,继承父类中的功能并且改写
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出
self.out = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出
def forward(self, x):
# 正向传播输入值, 神经网络分析出输出值
x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)
x = self.out(x) # 输出值, 但是这个不是预测值, 预测值还需要再另外计算
return x
net = Net(n_feature=2, n_hidden=10, n_output=2) # 几个类别就几个 output
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.002) # 传入 net 的所有参数, 学习率
# 算误差的时候, 注意真实值!不是! one-hot 形式的, 而是1D Tensor, (batch,)
# 但是预测值是2D tensor (batch, n_classes)
loss_func = torch.nn.CrossEntropyLoss()
for t in range(100):
out = net(x) # 喂给 net 训练数据 x, 输出分析值
loss = loss_func(out, y) # 计算两者的误差
optimizer.zero_grad() # 清空上一步的残余更新参数值aq
loss.backward() # 误差反向传播, 计算参数更新值q
optimizer.step() # 将参数更新值施加到 net 的 parameters 上
# 接着上面来
if t % 2 == 0:
plt.cla()
# 过了一道 softmax 的激励函数后的最大概率才是预测值
prediction = torch.max(out, 1)[1]
print(out)
pred_y = prediction.data.numpy().squeeze()
target_y = y.data.numpy()
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlGn')
print(pred_y)
accuracy = sum(pred_y == target_y)/200. # 预测中有多少和真实值一样
plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
plt.ioff() # 停止画图q
plt.show()