分类
import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
#生成数据
n_data=torch.ones(100,2)
#类别1的数据
x0 = torch.normal(2*n_data,1)
#类别1的标签
y0 = torch.zeros(100)
#类别2的数据
x1 = torch.normal(-2*n_data,1)
#类别2的标签
y1 = torch.ones(100)
#x0,x1连接起来,按维度为0连接,并指定数据为FloatTensor 32bit浮点数
x = torch.cat((x0,x1),0).type(torch.FloatTensor)
#y0,y1连接起来,由于只有一维,没用指明维度,并指定数据为LongTensor 64bit整数
y = torch.cat((y0,y1),).type(torch.LongTensor)
x,y =Variable(x),Variable(y)
#因为神经网络只能输入Variable
print(x.data.numpy())
print(y.data.numpy())
#plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=y.data.numpy(),s=100,lw=0,camp='RdYIGn')
#打印散点图
#plt.show()
class Net(torch.nn.Module):#继承torch的一个模块
def __init__(self,n_feature,n_hidden,n_output):
#n_feature输入层,n_hidden隐藏层,n_output输出层
super(Net,self).__init__()
self.hidden = torch.nn.Linear(n_feature,n_hidden)
self.predict = torch.nn.Linear(n_hidden,n_output)
def forward(self,x):#搭建神经网络前向传递的一些过程
x = F.relu(self.hidden(x))
x = self.predict(x)
return x
net = Net(2,10,2)
#二分类的例子
#[0,1] 类型是1
#[1,0] 类型是0
#多分类的例子
#[0,0,1] 1在哪个位序,判定认定的类型
print(net)
#可视化
plt.ion()
plt.show()
optimizer = torch.optim.SGD(net.parameters(),lr=0.01)
#优化神经网络,传递参数,lr是学习效率,也是梯度下降幅度
loss_func = torch.nn.CrossEntropyLoss()
#分类所用的函数
#计算每个类型的概率 [0.1,0.2,0.7]
#训练
for t in range(100):
out = net(x)
loss = loss_func(out,y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if t%2 == 0:
plt.cla()
# 过了一道 softmax 的激励函数后的最大概率才是预测值
prediction = torch.max(F.softmax(out), 1)[1]
#索引为1的地方 最大概率
pred_y = prediction.data.numpy().squeeze()
target_y = y.data.numpy()
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlBu')
accuracy = sum(pred_y == target_y)/200. # 预测中有多少和真实值一样
plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
plt.pause(0.5)
plt.ioff()
plt.show()
执行结果:
参考:莫烦python