pytorch框架——分类练习

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()