深度学习|2|softmax回归pytorch实现iris鸢尾花数据的softmax回归分类任务

已于 2023-06-09 11:34:35 修改
阅读量772 收藏 7
点赞数 1
分类专栏： 深度学习 机器学习 文章标签： 深度学习 回归 pytorch
于 2023-06-08 23:22:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_51672245/article/details/131117780
版权
文章介绍了鸢尾花数据集，包含150个样本，用于花卉分类。通过PyTorch构建了一个基于softmax的网络模型，使用交叉熵损失函数和梯度下降优化器进行训练，并进行了模型性能评估。
摘要由CSDN通过智能技术生成

iris数据集介绍

由统计学家和植物学家Ronald Fisher在1936年收集并发布。该数据集中包含了150个样本，其中每个样本代表了一朵鸢尾花（iris flower），并且包含了四个特征（sepal length（花萼长度）、sepal width（花萼宽度）、petal length（花瓣长度）和petal width（花瓣宽度））以及对应的类别标签（iris setosa、iris versicolor和iris virginica）。

  • 样本数量：150条
  • 类别数量：3类
  • 每类样本：50条
  • 特征维度：4

读取数据集

import numpy as np
import torch

def load_iris(filename):
    data = np.load(filename)
    features = data['data']
    labels = data['label']
    return torch.tensor(features, dtype=torch.float64), torch.tensor(labels, dtype=torch.int64)

train_data, train_label = load_iris(r"../../Dataset/iris/iris_train.npz")
valid_data, valid_label = load_iris(r"../../Dataset/iris/iris_valid.npz")
print(train_data.shape, train_label.shape, valid_data.shape, valid_label.shape,)
input_dim = train_data.shape[1]
output_dim = int(train_label.max
最低0.47元/天 解锁文章
入门两年的练习生
关注
专栏目录
Python3机器学习实践：Softmax回归【实例：鸢尾花分类】
AnFany
12-29 4124
Softmax回归可看作逻辑回归的扩展，用于解决多分类问题。 鸢尾花数据集是机器学习中比较常用的，数据集包含150条数据，共分为3类：setosa, versicolor, virginica，每类50条数据，每个数据包含4个属性，为萼片长度，萼片宽度，花瓣长度以及花瓣宽度。 不同于逻辑回归，Softmax回归定义一条数据X1属于类别Yi的概率为P(Y=Yi|X1，Ai)，其中Ai代表类别Yi的...
从零实现深度学习框架——动手实现Softmax回归
日积月累，天道酬勤
01-18 1967
上篇文章对Softmax回归进行了简单的介绍，本文我们就来从零实现Softmax回归。
NNDL 实验五 前馈神经网络（3）鸢尾花分类
fangerfang？
10-14 1019
这个明显比学习率是0.2的时候差太多了，不可取。再把学习率lr=0.3得到以下结果：结果更差了，这说明4个神经元不如6个神经元，那我们再把神经元改成8个lr=0.2：这个效果也不好，再改成lr=0.5发现效果不如lr=0.7了，经过多次测试后，找到了结果，在8个神经元lr=0.7的时候达到了最好的结果这次的实验是用前馈神经网络对iris进行分类，而在做这次实验之前，已经做过了SVM和softmax对iris的分类，所以正好可以很方便的对这三种方法对iris分类进行对比。
基于Softmax回归完成鸢尾花分类任务
最新发布
m0_74153948的博客
09-27 336
【代码】基于Softmax回归完成鸢尾花分类任务。
深度学习 第3章线性分类 实验四 pytorch实现 Softmax回归 鸢尾花分类任务 下篇
weixin_51395608的博客
09-21 4687
深度学习 第3章线性分类 实验四 pytorch实现 Softmax回归 鸢尾花分类任务 下篇
实践：基于Softmax回归完成鸢尾花分类任务
m0_70026215的博客
10-09 546
文件内引用的nndl包内的文件代码可翻看以往博客有详细介绍，这么就不详细赘述啦基于Softmax回归的多分类任务_熬夜患者的博客-CSDN博客https://blog.csdn.net/m0_70026215/article/details/133690588?spm=1001.2014.3001.5501 运行结果: 运行结果: 从输出结果看，数据中基本不存在异常值，所以不需要进行异常值处理。 运行结果: 3.模型训练
实现鸢尾花数据集的分类(深度学习)
baotu的博客
07-09 935
鸢尾花数据集包含3类、共150条记录（每类各50条记录）。每条记录都有4项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。可以通过这4个特征预测鸢尾花卉属于iris-setosa, iris-versicolour, iris-virginica中的哪一品种。设计一个softmax回归模型，通过鸢尾花数据集训练该模型，并将训练过程的训练误差可视化。训练集、测试集可按一定比例划分。计算测试集的预测准确率。绘制训练过程中损失值的变化曲线。绘制训练过程中损失值的变化曲线。设置模型参数并训练模型。
第3章（下）基于Softmax回归完成鸢尾花分类任务
weixin_46227276的博客
01-17 2036
在本节，我们用入门深度学习的基础实验之一“鸢尾花分类任务”来进行实践，使用经典学术数据集Iris作为训练数据，实现基于Softmax回归的鸢尾花分类任务。实践流程主要包括以下7个步骤：数据处理、模型构建、损失函数定义、优化器构建、模型训练、模型评价和模型预测等，说明：使用深度学习进行实践时的操作流程基本一致，后文不再赘述。本实践的主要配置如下：Iris数据集，也称为鸢尾花数据集，包含了3种鸢尾花类别（Setosa、Versicolour、Virginica），每种类别有50个样本，共计150个样本。其中每个
基于Pytorch实现softmax回归用于莺尾花分类
09-06
在本文中，我们将深入探讨如何使用PyTorch框架实现softmax回归模型来对鸢尾花（Iris）数据集进行分类。PyTorch是目前广泛使用的深度学习库，它以其灵活性和易用性受到广大开发者的青睐。softmax回归是机器学习中的一...
基于pytorch的部分鸢尾花数据集多项分类
jianshanzhange的博客
01-06 3130
import torch import torch.nn as nn import pandas as pd import numpy as np import matplotlib.pyplot as plt import torch.nn.functional as F from torch.utils.data import TensorDataset from torch.utils.data import DataLoader from sklearn.model_selection import
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
weixin_53651790的博客
10-13 2867
pytorch前馈神经网络实现鸢尾花数据集分类任务
鸢尾花 softmax tensorflow 实例
11-23
鸢尾花经典案例，采用 softmax 分类，使用tensorflow实现
逻辑回归、Softmax回归 --- 鸢尾花分类
我的博客
05-12 4028
逻辑回归、Softmax回归--- 鸢尾花分类
机器学习 逻辑回归（2）softmax回归多类别分类-鸢尾花案例
李乾文的博客
10-25 2442
PS：softmax回归损失函数梯度下降，求导部分没使用指示函数和向量，直接针对单变量进行推导。网上其他资料都比较抽象，找了很久没找到容易理解的，硬刚了几天终于整出来了。 一、前言 二、假设函数 三、One-Hot 独热编码 四、代价函数 五、梯度下降 六、原生代码实现 6.1 加载并查看数据 6.2 添加前置与数据分割 6.3 迭代训练 6.4 验证数据 七、sklearn代码实现 八、参考资料
多分类逻辑回归判断三分类鸢尾花
qq_43235540的博客
04-20 1491
多分类逻辑回归判断三分类鸢尾花，用python实现
NNDL 实验四 线性分类 基于Logistic回归的二分类任务、基于Softmax回归的多分类任务和基于Softmax回归完成鸢尾花分类任务
qq_58153224的博客
09-21 1779
​。
mindspore-softmax进行鸢尾花多分类模型
weixin_45666880的博客
08-18 1815
2. 但是我们拿了你上面的脚本，先从脚本上看，没有发现ds_train / ds_eval给多个model使用的情况，另：在本地运行后，也没有报你上面的报错。故：你可以再试下你上条评论里的脚本，或者还有没有其他信息提供？1. 按照报错提示，是因为你的dataset对象给多个model使用了。版本：mindspore1.3.0。...
基于Softmax激活函数的数据分类--鸢尾花数据--（MATLAB--附案例代码）
干吧滴！
12-19 1597
本文对的Softmax算法的原理进行了简单介绍，同时使用MATLAB语言对基于梯度下降算法的Softmax函数进行了编程。利用matlab自带的鸢尾花数据集进行了测试分类，并分析了结果的准确度。
鸢尾花(iris)分类——基于pytorch+python实现
zdx3456789的博客
08-01 920
使用pytorch对鸢尾花分类，实现一个"反类"，以及GUI窗口
softmax回归pytorch实现,数据集为FashionMNIST
04-23
好的，关于softmax回归在PyTorch中的实现，针对FashionMNIST数据集的话，可以按照以下步骤进行。 首先，需要引入相应的包： ``` import torch import torchvision from torch.utils.data import DataLoader import torch.nn.functional as F ``` 然后，准备数据集： ``` # 准备训练集和测试集 train_dataset = torchvision.datasets.FashionMNIST(root='./data/FashionMNIST', train=True, transform=torchvision.transforms.ToTensor(), download=True) test_dataset = torchvision.datasets.FashionMNIST(root='./data/FashionMNIST', train=False, transform=torchvision.transforms.ToTensor(), download=True) # 定义数据加载器 train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) ``` 接下来，定义模型： ``` # 定义模型 class SoftmaxRegression(torch.nn.Module): def __init__(self): super(SoftmaxRegression, self).__init__() self.linear = torch.nn.Linear(784, 10) def forward(self, x): x = x.reshape(x.shape[0], -1) logits = self.linear(x) return logits ``` 然后，定义优化器和损失函数： ``` # 定义优化器和损失函数 model = SoftmaxRegression() optimizer = torch.optim.SGD(model.parameters(), lr=0.1) criterion = torch.nn.CrossEntropyLoss() ``` 接着，进行模型训练： ``` # 模型训练 num_epochs = 10 for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): # 前向传播及计算损失 outputs = model(images) loss = criterion(outputs, labels) # 反向传播及优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print("Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}".format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) ``` 最后，进行模型测试： ``` # 模型测试 with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total)) ``` 这样，就可以在PyTorch中实现softmax回归，利用FashionMNIST数据集进行模型训练和测试了。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

入门两年的练习生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值