2.pytorch区分类型（分类模型）

代码如下：

注意：如果没有安装matplat模块，可以把画图部分注释掉，然后把要画的点打印出来即可

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt

# 1.假数据
n_data = torch.ones(100, 2)         # 数据的基本形态
x0 = torch.normal(2*n_data, 1)      # 类型0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100)               # 类型0 y data (tensor), shape=(100, )
x1 = torch.normal(-2*n_data, 1)     # 类型1 x data (tensor), shape=(100, 1)
y1 = torch.ones(100)                # 类型1 y data (tensor), shape=(100, )

# 注意 x, y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)  # FloatTensor = 32-bit floating
y = torch.cat((y0, y1), 0).type(torch.LongTensor)    # LongTensor = 64-bit integer

print(x,x.size())
print()
print(y,y.size())

plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')
plt.show()


#2.建立神经网络
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net,self).__init__()
        self.hidden=torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出n_hidden
        self.out=torch.nn.Linear(n_hidden,n_output)# 输出层线性输出n_output
    def forward(self,x):
        # 正向传播输入值, 神经网络分析出输出值
        x=F.relu(self.hidden(x))
        x=self.out(x)
        return x

net = Net(n_feature=2, n_hidden=10, n_output=2) # 几个类别就几个 output
print(net)  # net 的结构


#3.训练网络
optimizer=torch.optim.SGD(net.parameters(),lr=0.02)# 传入 net 的所有参数, 学习率
loss_func=torch.nn.CrossEntropyLoss()#损失函数

for t in range(200):
    # 喂给 net 训练数据 x, 输出分析值
    out=net(x)
    # 计算两者的误差
    loss=loss_func(out,y)
    # 清空上一步的残余更新参数值
    optimizer.zero_grad()
    # 误差反向传播, 计算参数更新值
    loss.backward()
    # 将参数更新值施加到 net 的 parameters 上
    optimizer.step()

    #4.可视化训练过程
    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]
        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='RdYlGn')
        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(0.1)
plt.ioff()  # 停止画图
plt.show()