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()
Classification Demo
最新推荐文章于 2022-05-08 22:31:16 发布