分类和回归动态表示

日期：2020-2-12

这是我学着第一次搭建的网络，并将学习的过程以动态的形式表现了出来

我在代码中写了详尽的注释

# regression asd classficiation
import torch
from torch.autograd import Variable
import torch.nn.functional as F #引入神经网络模块
import matplotlib.pyplot as plt
#regression
#数据初始化
x = torch.unsqueeze(torch.linspace(-1,1,100),dim = 1)
y = x.pow(2) + 0.2*torch.rand(x.size())
x,y = Variable(x), Variable(y)
#regression-net
class Net(torch.nn.Module):
 def __init__(self, n_features, n_hidden, n_output):
  super(Net, self).__init__()#继承父类的功能
  #一层神经网络
  self.hidden = torch.nn.Linear(n_features, n_hidden)#输入数据的维度，隐藏层神经元结点的个数
  self.predict = torch.nn.Linear(n_hidden, n_output)#输出数据的维度，隐藏层神经元节点的个数
 #前向传播
 def forward(self, x):
  x = torch.relu(self.hidden(x))
  x = self.predict(x)
  return x
#建立该神经网络的对象
net = Net(1,10,1)
print(net)#显示网络结构
plt.ion()#设置成一个随时打印的过程
plt.show()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)#0.5为学习率
loss_func = torch.nn.MSELoss()#loss function
for t in range(100):
 prediction = net.forward(x)
 loss = loss_func(prediction, y)
 optimizer.zero_grad()#梯度变为0
 loss.backward()#计算梯度
 optimizer.step()# 优化学习过程
 #可视化每5步打印一次,打印过程可视化
 if t % 5 == 0:
  plt.cla()
  plt.scatter(x.data.numpy(),y.data.numpy())
  plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5)
  #制定标签文本格式
  #%.4f格式化输出，保留4位小数点
  #字体尺寸:20，颜色:红色
        #第一和第二个参数0，0.5表示输出信息的坐标，原点坐标是（0，0）
  plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(),fontdict={'size': 20, 'color':  'red'})
  plt.pause(0.1)
plt.ioff()
plt.show()
#classification
#数据初始化
#建立一个100行2列的服从N(2,1)的随机数，并标签为0
n_data = torch.ones(100, 2)
x0 = torch.normal(2*n_data, 1)
y0 = torch.zeros(100)#数据标签：0
#建立一个100行2列的服从N(-2,1)的随机数，并标签为1
x1 = torch.normal(-2*n_data,1)
y1 = torch.ones(100)#数据标签：1
x = torch.cat((x0,x1), 0).type(torch.FloatTensor)#数据域
y = torch.cat((y0,y1), ).type(torch.LongTensor)#标签域
#变量化
x, y = Variable(x), Variable(y)
#建立网络
net = Net(2,10,2)#输入输出都是2个维度
plt.ion()#设置成一个随时打印的过程
plt.show()
optimizer = torch.optim.SGD(net.parameters(), lr=0.02)#0.02为学习率
loss_func = torch.nn.CrossEntropyLoss()#损失函数用的是交叉熵
for t in range(100):
 out = net(x)
 loss = loss_func(out, y)
 optimizer.zero_grad()#梯度变为0
 loss.backward()#计算梯度
 optimizer.step()# 优化学习过程
 #可视化每2步打印一次,打印过程可视化
 if t % 2 == 0:
  plt.cla()# Clear axis即清除当前图形中的当前活动轴。其他轴不受影响
  #torch.max)(a,1) 返回每一行中最大值的那个元素，且返回索引
  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)#其实在可视化过程中，c=pred_y这一句是画龙点睛之笔
  accuracy = sum(pred_y == target_y) / 200
  plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color':  'red'})
  plt.pause(0.1)
plt.ioff()
plt.show()