快速搭建神经网络

快速搭建神经网络

原始搭建方法

import matplotlib.pyplot as plt
import torch
import torch.nn.functional as F

# 假数据
# torch.normal(means, std, out=None)返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，
# 包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个张
# 量的元素个数须相同。
# means (Tensor) – 均值
# std (Tensor) – 标准差
# out (Tensor) – 可选的输出张量
n_data = torch.ones(100, 2)
x0 = torch.normal(2 * n_data, 1)
y0 = torch.zeros(100)
x1 = torch.normal(-2 * n_data, 1)
y1 = torch.ones(100)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)
y = torch.cat((y0, y1), ).type(torch.LongTensor)


class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        # torch.nn.Linear(in_features, out_features, bias=True)
        # torch.nn.Linear 等价于 y = x*A^T+b
        # in_features: 输入数据的大小。
        # out_features: 输出数据的大小。
        # bias: 是否添加一个可学习的 bias，即上式中的 b。
        self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 隐藏层的线性输出
        self.out = torch.nn.Linear(n_hidden, n_output)  # 输出层的线性输出

    def forward(self, x):
        x = F.relu(self.hidden(x))  # 激励函数（隐藏层的线性值）relu()是函数
        x = self.out(x)
        return x


# method 1
net = Net(n_feature=2, n_hidden=10, n_output=2)

print(net)
# print(net)
# optimizer 是训练的工具 这个对象能保存当前的参数状态并且基于计算梯度更新参数
# net.parameters():传入 net 的所有参数, lr:学习率
# SGD是最基础的优化方法，普通的训练方法, 需要重复不断的把整套数据放入神经网络NN
# 中训练, 这样消耗的计算资源会很大.当我们使用SGD会把数据拆分后再分批不断放入 NN
# 中计算. 每次使用批数据, 虽然不能反映整体数据的情况, 不过却很大程度上加速了 NN
# 的训练过程, 而且也不会丢失太多准确率.
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
# 交叉熵损失函数CrossEntropyLoss() 衡量网络的输出与标签的差异,越小越好
# 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)
    loss = loss_func(out, y)  # 计算两者的误差，即交叉熵
    # print(loss)
    optimizer.zero_grad()  # 清空上一步的残余更新参数值
    loss.backward()  # 误差反向传播,
    optimizer.step()  # 将参数更新值施加到 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), 1)[1]
        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')
        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()
plt.show()

快速搭建的方法

import matplotlib.pyplot as plt
import torch
import torch.nn.functional as F

# 假数据
# torch.normal(means, std, out=None)返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，
# 包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个张
# 量的元素个数须相同。
# means (Tensor) – 均值
# std (Tensor) – 标准差
# out (Tensor) – 可选的输出张量
n_data = torch.ones(100, 2)
x0 = torch.normal(2 * n_data, 1)
y0 = torch.zeros(100)
x1 = torch.normal(-2 * n_data, 1)
y1 = torch.ones(100)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)
y = torch.cat((y0, y1), ).type(torch.LongTensor)


# method 2 ReLU()是类
net = torch.nn.Sequential(
    torch.nn.Linear(2, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 2),
)
print(net)
# print(net)
# optimizer 是训练的工具 这个对象能保存当前的参数状态并且基于计算梯度更新参数
# net.parameters():传入 net 的所有参数, lr:学习率
# SGD是最基础的优化方法，普通的训练方法, 需要重复不断的把整套数据放入神经网络NN
# 中训练, 这样消耗的计算资源会很大.当我们使用SGD会把数据拆分后再分批不断放入 NN
# 中计算. 每次使用批数据, 虽然不能反映整体数据的情况, 不过却很大程度上加速了 NN
# 的训练过程, 而且也不会丢失太多准确率.
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
# 交叉熵损失函数CrossEntropyLoss() 衡量网络的输出与标签的差异,越小越好
# 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)
    loss = loss_func(out, y)  # 计算两者的误差，即交叉熵
    # print(loss)
    optimizer.zero_grad()  # 清空上一步的残余更新参数值
    loss.backward()  # 误差反向传播,
    optimizer.step()  # 将参数更新值施加到 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), 1)[1]
        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')
        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()
plt.show()

结语

如果你发现文章有什么问题，欢迎留言指正。
如果你觉得这篇文章还可以，别忘记点个赞加个关注再走哦。
如果你不嫌弃，还可以关注微信公众号———梦码城（持续更新中）。
梦码在这里感激不尽！！