pytorch 鸢尾花分类

---

前言

pytorch 鸢尾花分类

---

一、鸢尾花数据集介绍

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

鸢尾花数据集（Iris dataset）是统计学和机器学习领域中常用的数据集之一，由英国统计学家和生物学家Ronald A. Fisher于1936年首次引入。这个数据集包含了三个不同种类的鸢尾花的测量数据，每个类别有50个样本，总共包含150个样本。
这三个鸢尾花的种类是：

山鸢尾（Iris setosa）： 这种鸢尾花通常较小，花瓣较短，花朵颜色鲜艳，常见于北美。

变色鸢尾（Iris versicolor）： 这种鸢尾花的花瓣和花萼都较长，颜色较为丰富。

维吉尼亚鸢尾（Iris virginica）： 这种鸢尾花通常较大，花瓣较长，花朵颜色深沉。
每个样本都包含了以下四个特征的测量值：

花萼长度（sepal length）（单位：厘米）
花萼宽度（sepal width）（单位：厘米）
花瓣长度（petal length）（单位：厘米）
花瓣宽度（petal width）（单位：厘米）

二、使用步骤

1.引入库

代码如下（示例）：

import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler

其中，from sklearn.datasets import load_iris 是导入 scikit-learn 中的 load_iris 函数，用于加载鸢尾花数据集。这个函数返回一个包含鸢尾花数据集的对象，通常包括数据（特征矩阵）和目标值（标签）。

2.读入数据

代码如下（示例）：

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

Number of samples: 150
Number of features: 4

3.划分训练集和测试集

# 加载鸢尾花数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

test_size=0.2 意味着将20%的数据用于测试，80%用于训练。
random_state=42 是为了确保每次运行代码时划分的训练集和测试集保持一致，以便结果可复现。

# 转换为 PyTorch 张量
X_train = torch.FloatTensor(X_train)
y_train = torch.LongTensor(y_train)
X_test = torch.FloatTensor(X_test)
y_test = torch.LongTensor(y_test)

4.构建神经网络

# 定义神经网络模型
class IrisClassifier(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(IrisClassifier, self).__init__()
        self.layer1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.layer2 = nn.Linear(hidden_size, num_classes)

    def forward(self, x):
        x = self.layer1(x)
        x = self.relu(x)
        x = self.layer2(x)
        return x
    # 创建模型、损失函数和优化器
# 设置模型参数
input_size = 4  # 输入特征的数量
hidden_size = 8  # 隐藏层神经元的数量
num_classes = 3  # 输出类别的数量

model = IrisClassifier(input_size, hidden_size, num_classes)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

这里使用了交叉熵损失函数 (CrossEntropyLoss)，它是用于多分类任务的常见损失函数。在这个例子中，由于鸢尾花分类是一个多类别任务，所以交叉熵损失是一个合适的选择。损失函数用于度量模型输出与真实标签之间的差异，目标是通过调整模型参数来最小化这个差异。
使用 Adam 优化器 (Adam)，用于更新神经网络模型的参数。model.parameters() 提供了所有模型参数的迭代器，这些参数将通过优化器进行更新。lr=0.01 指定了学习率，它是控制模型参数更新步长的超参数。调整学习率可以影响模型的收敛速度和性能。

训练模型

# 加载鸢尾花数据集
num_epochs = 100
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(X_train)
    loss = criterion(outputs, y_train)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

其中,backward进行反向传播
step()进行参数的更新

测试模型

# 测试模型
with torch.no_grad():
    model.eval()
    outputs = model(X_test)
    _, predicted = torch.max(outputs, 1)
    accuracy = (predicted == y_test).sum().item() / y_test.size(0)
    print(f'Test Accuracy: {accuracy:.4f}')

torch.no_grad() 是一个上下文管理器（Context Manager），在这个上下文中的操作将不会被记录用于梯度计算。使用 torch.no_grad() 主要有两个目的：
1.禁用梯度计算： 在深度学习中，有时我们需要进行一些不需要梯度计算的操作，例如在模型推断（inference）阶段或者对于一些参数的更新。通过使用 torch.no_grad()，可以显式地告诉 PyTorch 在这个上下文中不要计算梯度，这有助于减少内存消耗并提高计算速度。

2.减少内存消耗： 在模型推断阶段，我们通常只是使用已经训练好的模型进行预测，而不需要在这个过程中进行梯度计算。通过使用 torch.no_grad()，可以避免存储梯度所需的额外内存。

部分数据展示

输入数据
[-5.25060772e-02 -1.05276654e+00 1.37546573e-01 8.77547895e-04]
输出
1

outputs的输出格例如
tensor([[-5.4479e-01, -3.5709e-02, 3.8968e-01],], grad_fn=)