pytorch 三维点分类_pytorch实现简单的分类器

作为目前越来越受欢迎的深度学习框架，pytorch 基本上成了新人进入深度学习领域最常用的框架。相比于 TensorFlow，pytorch 更易学，更快上手，也可以更容易的实现自己想要的 demo。今天的文章就从 pytorch 的基础开始，帮助大家实现成功入门。

首先，本篇文章需要大家对深度学习的理论知识有一定的了解，知道基本的 CNN，RNN 等概念，知道前向传播和反向传播等流程，毕竟本文重点是一篇实操性的教程。

其次，这篇文章我更想从一个总体性的视角展开，大家在学习的过程中更注重的应该是在接触新知识时，如何设计学习路线的一种思路分享。这种思路不一定适合所有人，但是肯定可以对你有所借鉴，你也可以基于此总结出来更适合自己的方法。

接下来我们从以下几个步骤去帮助大家入门 pytorch 的实战教程。

开始一个简单的分类器

在 MNIST 上实现一个 cnn

常用网络层介绍

tensorboard 可视化

以 vgg 为例实现深层网络的一些小技巧

GPU 加速和保存加载模型

RNN 和 LSTM 实现分类和回归

番外: 一个并行生成数据的例子告诉你，pytorch 未来的路该怎么做

这八个步骤，对应了我的八篇学习笔记的文章，本文是从一个串讲的思路来介绍学习路径，对应步骤的更多细节会在具体的文章中展示。在每个步骤介绍的最后和全文的结尾，我们也会给出文章的链接，大家可以针对性食用~

开始一个简单的分类器

我个人在学习一门新语言，一个新框架，一个新技术时，最优先要保证的就是成就感反馈。以学习 pytorch 为例，很多教程从张量开始。我自己也按照这种教程学习过，的确内容非常全尽，但是有两个原因，我自己不太推荐以这种方式入门：1)前期学习过于枯燥，没有成就感；2)有的知识内容属于深度学习的基本功，过于赘述。

所以我觉得入门一个新知识的知识，最好是先搭起来结构，然后再去慢慢补充细节。因此我在这篇文章的第一部分，先选择构建一个简单的分类器，让大家知道一个 pytorch 下的代码流程应该是什么样子。

学过 c 语言的朋友肯定知道，我们先学第一个代码的时候，肯定是先来一个 hello world，而不是去研究第一行的 #include。

对于第一个 pytorch 程序而言，我们要做的是首先跑通整个流程，如果是一个简单的分类器，数据集也就不能太复杂。因此，我们从三方面考虑：1)自定义生成一些点，分为两类；2)学习如何构建一个浅层的神经网络；3)尝试 pytorch 中的训练和测试过程。

1.1 自定义生成数据集

首先，自定义生成我们的数据集。利用 torch 自带的 zeros，ones 这些方法，我们生成一些随机的点，分为两类。比如分别以(2，2)和(-2，-2)为均值，随机生成一些随机数，作为两类，这样子我们就得到了我们想要的数据集。

1.2 学会构建网络的流程

其次，就是构建一个浅层的神经网络，这里我们给出一个代码示例，大家了解一下最基础的 pytorch 的网络应该如何构建：

class Net(torch.nn.Module):

def __init__(self, n_feature, n_hidden, n_output):

super(Net, self).__init__()

self.n_hidden = torch.nn.Linear(n_feature, n_hidden)

self.out = torch.nn.Linear(n_hidden, n_output)

def forward(self, x_layer):

x_layer = torch.relu(self.n_hidden(x_layer))

x_layer = self.out(x_layer)

x_layer = torch.nn.functional.softmax(x_layer)

return x_layer

net = Net(n_feature=2, n_hidden=10, n_output=2)

# print(net)

optimizer = torch.optim.SGD(net.parameters(), lr=0.02)

loss_func = torch.nn.CrossEntropyLoss()

这个 Net 类，就是我们构建的代码框架，用它生成的对象就是一个我们可以用来训练和测试的网络。这个类中，初始化函数中表示了每个网络层的结构设置，而 forward() 方法表示了每个层之间的交互顺序和关系。

而 optimizer 就是优化器，包含了需要优化的参数有哪些，loss_func 就是我们设置的损失函数。

这个就像我们写一个 hello，world 一样，我们只需要知道自己该如何构造一个网络。当我们需要调整的时候，就将其中对应的模块替换掉。

1.3 训练与测试

接下来就是训练与测试的阶段。训练我们需要知道三句代码是核心：

optimizer.zero_grad()

loss.backward()

optimizer.step()

这里的核心思路是，梯度清空，反向传播，参数更新。分别对应了这三句代码的作用。在pytorch 中，梯度会保留，所以需要用 zero_grad() 来清空，然后利用损失函数反向传播计算梯度，最后就是用我们定义的优化器将每个需要优化的参数进行更新。

测试阶段就很简单了，直接将输入丢进去就可以看到预测结果。现在我们重新随机生成一些数据点作为测试集，可以看到训练集对它的分类结果就很明显。

至此，我们就完成了一个对于简单分类器的描述。