BP神经网络处理iris数据集（Pytorch实现）

一.数据集介绍

这次数据集使用的是iris数据集，也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
该数据集进行神经网络时，输入是 Sepal.Length（花萼长度）， Sepal.Width（花萼宽度），Petal.Length（花瓣长度）， Petal.Width（花瓣宽度），输出为种类，Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica（维吉尼亚鸢尾）。

二.代码实现

代码部分总共为两个版本，分别是CPU版本和GPU版本。
数据集是从sklearn中下载得到：

from sklearn import datasets
# 数据集下载和处理
dataset = datasets.load_iris()
data = dataset['data']
iris_type = dataset['target']

我们可以看一下该数据集的输出，输出可以自己看，这就不展示了。

print(data)
print(iris_type)

之后需要对数据进行处理，因为使用到pytorch，我们需要将数据转为tensor格式：

input = torch.FloatTensor(dataset['data'])
label = torch.LongTensor(dataset['target'])

接下来可以定义神经网络模型：

class BPNerualNetwork(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(nn.Linear(input_size, hidden_size1),
                                   nn.ReLU(),
                                   nn.Linear(hidden_size1, hidden_size2),
                                   nn.ReLU(),
                                   nn.Linear(hidden_size2, hidden_size3),
                                   nn.ReLU(),
                                   nn.Linear(hidden_size3, output_size),
                                   nn.LogSoftmax(dim=1)
                                   )

    def forward(self, x):
        x = self.model(x)
        return x

这里我设置了三层隐藏层，不过你可以自己增减隐藏层，只需要调用函数nn.Linear(),激活函数可以直接设置，pytorch里面可以直接调用，我这里使用的是nn.ReLU()函数。
后续只需要进行训练就可以了（下面代码是GPU版本）：

for epoch in range(EPOCH):
    input= input.to(device)
    label = label.to(device)
    out = net(input)
    # 输出与label对比
    loss = loss_func(out, label)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

三.效果

我使用了matplotlib将准确率和loss进行展示：

准确率达到了0.99，可以说效果不错哦。

具体两个版本代码可以点这里下载。