Classification Demo

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F     # 激励函数都在这
from torch.autograd import Variable

# 假数据
n_data = torch.ones(100, 2)         # 数据的基本形态 100行，两列的张量
x0 = torch.normal(2*n_data, 1)      # 类型0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100)               # 类型0 y data (tensor), shape=(100, 1)
x1 = torch.normal(-2*n_data, 1)     # 类型1 x data (tensor), shape=(100, 2)
y1 = torch.ones(100)                # 类型1 y data (tensor), shape=(100, 1)
print(x1.shape)
print(y1.shape)

# 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)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)  # FloatTensor = 32-bit floating    #按维数0（行）拼接
y = torch.cat((y0, y1), ).type(torch.LongTensor)    # LongTensor = 64-bit integer

x,y=Variable(x),Variable(y)
# 画图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
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
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出

    def forward(self, x):   # 这同时也是 Module 中的 forward 功能
        # 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.predict(x)             # 输出值
        return x


net1 = Net(n_feature=2, n_hidden=10, n_output=2) # 几个类别就几个 output


print(net1)  # net 的结构

# 可视化
plt.ion()   # 画图
plt.show()

"""
Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)
"""
# optimizer 是训练的工具
# 优化方式为 随机梯度下降(SGD)
optimizer = torch.optim.SGD(net1.parameters(), lr=0.02)  # net.parameters()传入 net 的所有参数, 学习率为0.2

# 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)
#这里为标签值和预测值相比较做出来的误差 [0,0,1]与[0.1,.2,.7]的误差
#多分类问题用CrossEntropyLoss 交叉熵代价函数 计算的为概率 归一性
loss_func = torch.nn.CrossEntropyLoss()


for t in range(100):
    out = net1(x)     # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(out, y)     # 计算两者的误差 预测值在前 真实值在后

    optimizer.zero_grad()   # 清空上一步的残余更新参数值
    loss.backward()         # 误差反向传播, 计算参数更新值
    optimizer.step()        # 以0.2的学习率优化梯度 参数更新值施加到 net 的 parameters 上
    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(F.softmax(out), dim=1)[1]#dim=1 对每一行求最大值 进行softmax  [1]表示只返回最大值的每个索引
        pred_y = prediction.data.numpy().squeeze() # 二维数据转换为1维
        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 = 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)
print(net1.state_dict())

plt.ioff()  # 停止画图
plt.show()