pytorch多元分类iris

我们使用sklearn提供的iris数据作为训练数据。此处只是为了演示多元分类的基本操作，神经网络的结构在参数上可能存在一定的问题，期望批评指正。

from sklearn.datasets import load_iris
import torch
from torch import nn, optim
import numpy as np
import matplotlib.pyplot as plt


class MyNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.Model = nn.Sequential(
            nn.Linear(4, 16),
            nn.Linear(16, 4),
            nn.Linear(4,3),
            nn.Softmax(dim=1)
        )
    def forward(self, x):
        return self.Model(x)


myNetwork = MyNetwork().cuda()
lossFunction = nn.CrossEntropyLoss()
optimizer = optim.Adam(myNetwork.parameters(), lr=0.1)

def train(echo=100):
    for i in range(100):
        y = myNetwork(inputX)

        loss = lossFunction(y, targetY.squeeze())

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        lossRecord[1][i] = loss


if __name__ == "__main__":
    iris = load_iris()
    inputX = torch.tensor(iris.data).float().cuda()
    targetY = torch.tensor(iris.target).long().view(150,1).cuda()
    echo = 100

    lossRecord = np.vstack((
        np.arange(0, echo),
        np.zeros(echo)
    ))

上式中的lossRecord记录损失函数的下降过程。

    train(echo)
    print(torch.max(myNetwork(inputX).cpu(), 1)[1].detach().numpy() - iris.target)

输出的是拟合情况与原目标函数的差异。