本文转载于 SegmentFault 社区
作者:zack
这个文章是用 pytorch 和 matplotlib 实现一个二元分类器并且可视化。
然后,进行网络的训练 (对应 run 函数) ;
然后,用同样的数据让网络进行预测。因为二元分类器最后预测的结果要么是 0,要么是 1,所以可以利用 matplotlib 中的画等高线的函数,来近似画出决策边界。这一步主要对应 showBoundary 函数。
勉勉强强参考了一些博客才写了出来。具体我也没办法一一讲述,还请各位原谅。
不过其中, cmap 是画出来的图的风格参数,可以是 camp=plt.cm.hot 等等, alpha 是透明度。 用了 conturf 这个函数,就可以有颜色的区别了。
这个文章是用 pytorch 和 matplotlib 实现一个二元分类器并且可视化。
思路:
- 自己生成两团数据
- 定义自己的神经网络类
- 训练网络
- 打印出边界
先放效果图:
![1e529c9f981e6913191db658f4ff57c9.png](https://i-blog.csdnimg.cn/blog_migrate/eda9848add76272a9980ed2115697952.png)
关于可视化
定义网络、训练网络主要没什么好说的啦其实,毕竟有 pytorch 这么好的框架,已经提供了如此简单的代码工作。 主要是可视化的技巧。 主要是 matplotlib 中有个 contourf ,本身是画等高线用的,就是地理中那个三维图投射到二维图的那种图。 我们可以把这个用到可视化上来 (当然只是3维的,如果是更高维度就没法用这个可视化了) 。具体怎么可视化的?
首先,先自己生成 200 个训练数据 (这步对应 getData 函数) ,然后把属于不同类别的数据染上不同颜色;然后,进行网络的训练 (对应 run 函数) ;
然后,用同样的数据让网络进行预测。因为二元分类器最后预测的结果要么是 0,要么是 1,所以可以利用 matplotlib 中的画等高线的函数,来近似画出决策边界。这一步主要对应 showBoundary 函数。
使用 conturf 函数
这个函数我自己在用的时候有点懵逼,使用这个要先 meshgrid , mesh 合并的意思, grid 网格的意思,要把两个列表先合成一个网格,这个形式我也不是很喜欢。勉勉强强参考了一些博客才写了出来。具体我也没办法一一讲述,还请各位原谅。
不过其中, cmap 是画出来的图的风格参数,可以是 camp=plt.cm.hot 等等, alpha 是透明度。 用了 conturf 这个函数,就可以有颜色的区别了。
最后放代码
import torch
import torch.nn.modules
import torch.nn
import numpy as np
from torch.autograd import Variable #torch的基本变量
import torch.nn.functional as F #里面有很多torch的函数
import matplotlib.pyplot as plt
#定义自带forward propagation的神经网络。
class Net(torch.nn.Module):
def __init__(self,n_features,n_hiddens,n_outputs):
super(Net,self).__init__()
self.hidden=torch.nn.Linear(n_features,n_hiddens)
self.predict=torch.nn.Linear(n_hiddens,n_outputs)
def forward(self, x):
x=F.relu(self.hidden(x))
predict=F.softmax(self.predict(x))
return predict
class MyNet:
def __init__(self,n_features,n_hiddens,n_outputs,times):
self.NeuronalNet=Net(n_features,n_hiddens,n_outputs)
self.realX=None
self.realY=None
self.opitimizer=None
self.lossFunc=None
self.times=times
#训练集
def getData(self):
temp = torch.ones(100, 2)
B = torch.normal(2 * temp, 1)
By = torch.ones(100)
A = torch.normal(-2 * temp, 1)
Ay = torch.zeros(100)
self.realX = Variable(torch.cat([A, B], 0))
self.realY = Variable(torch.cat([Ay, By]).type(torch.LongTensor))
# plt.scatter(realX.data.numpy()[:,0],realX.data.numpy()[:,1],c=realY)
# plt.show()
def run(self):
self.opitimizer=torch.optim.SGD(self.NeuronalNet.parameters(),lr=0.01)
self.lossFunc=torch.nn.CrossEntropyLoss()
for i in range(self.times):
out=self.NeuronalNet(self.realX)
loss=self.lossFunc(out,self.realY)
self.opitimizer.zero_grad()
loss.backward()
self.opitimizer.step()
#可视化
def showBoundary(self):
x_min, x_max = self.realX[:, 0].min() - 0.1, self.realX[:, 0].max() + 0.1
y_min, y_max = self.realX[:, 1].min() - 0.1, self.realX[:, 1].max() + 0.1
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 101), np.linspace(y_min, y_max, 101))
cmap = plt.cm.Spectral
X_test = torch.from_numpy(np.c_[xx.ravel(), yy.ravel()]).float()
y_pred = self.NeuronalNet(X_test)
_, y_pred = y_pred.max(dim=1)
y_pred = y_pred.reshape(xx.shape)
plt.contourf(xx, yy, y_pred, cmap=plt.cm.Spectral, alpha=0.8)
plt.scatter(self.realX[:, 0], self.realX[:, 1], c=self.realY, s=40, cmap=plt.cm.RdYlBu)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("binary classifier")
plt.show()
def predict(self,inputData):
#inputData should be a 1x2 matrix
data=torch.from_numpy(np.array(inputData)).int()
return self.NeuronalNet(data.float())
if __name__=="__main__":
myNet =MyNet(2,18,2,1000)
myNet.getData()
myNet.run()
myNet.showBoundary()
probabilitys=list(myNet.predict([3, 3]).data.numpy())
print("是第{0}类".format(1+probabilitys.index(max(probabilitys))))
- END -![4373e2f72fca4ff8e7b08331fc46c558.png](https://i-blog.csdnimg.cn/blog_migrate/ffc813bf52a281bc9bd409b3e37a06bd.jpeg)