pytorch系列(二)：pytorch分类算法简单实现

淩亂°似流年 2023-07-08 02:52 45阅读 0赞

#该案例主要是做简单节点分类任务的模型训练
    import torch
    import matplotlib.pyplot as plt
    
    #数据集构造  都是tensor张良结构
    n_data=torch.ones(100,2)#数据基本形态  100x2的维度
    x0=torch.normal(2*n_data,1)#第一种类型的数据,服从为1的正态分布 100x2的维度 横坐标和纵坐标
    y0=torch.zeros(100)#第一类数据的标签  0  100x1的维度
    
    x1=torch.normal(-2*n_data,1)#第二种类型的数据，服从为1的正态分布
    y1=torch.ones(100)#标签为1
    
    #合并训练集和标签集
    x=torch.cat((x0,x1),0).type(torch.FloatTensor)#0表示按列合并   合并后列数不变
    y=torch.cat((y0,y1),).type(torch.LongTensor)#表示按行合并  合并后行数不变    注意type的类型
    
    #作图查看数据
    plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],lw=5,cmap='RdYlGn')
    plt.show()
    
    #建立神经网络
    import torch.nn.functional as fun
    
    #声明Net类
    class Net(torch.nn.Module):
        #初始化函数
        def __init__(self,n_feature,n_hidden,n_output):
            super(Net,self).__init__()
            self.hidden=torch.nn.Linear(n_feature,n_hidden)
            self.output=torch.nn.Linear(n_hidden,n_output)
            
        #前向传播函数
        def forward(self,x):
            x=fun.relu(self.hidden(x))
            x=self.output(x)#跟线性回归不一样的是，这个并不是最终预测结果，还要进行softmax操作
            return x
    
    #实例化网络
    net=Net(n_feature=2,n_hidden=10,n_output=2)#几个类别 output就是几
    print(net)
    
    #训练网络
    
    #声明优化器
    optimizer=torch.optim.SGD(net.parameters(),lr=0.2)#传入net的所有参数，指定学习率
    #注意计算误差的时候，真实值并不是one-hot形式的，而是1D的Tensor（softmax得到最大概率索引）
    #预测值是2D的tensor (batch,n_classes)
    
    #声明损失函数
    loss_fun=torch.nn.CrossEntropyLoss()#用交叉熵计算损失(分类问题经常如此)
    
    #可视化训练过程
    plt.ion()#打开plt交互模式
    plt.show()
    
    #迭代100次训练
    for i in range(2):
        out=net(x)#喂数据集
        
        loss=loss_fun(out,y)#计算交叉熵误差值
        optimizer.zero_grad()#清空上一步残余的参数更新量
        loss.backward()#反向传播，更新参数
        optimizer.step()#参数更新值施加到net的parameters上面
        
        if i%2==0:
            plt.cla()#清除面板信息
            prediction=torch.max(fun.softmax(out),1)[1]#第一个1表示对一个100样本softmax后按行选取最大值，[1]表示取出最大值对应的类别索引
            pre_y=prediction.data.numpy().squeeze()#将张量形式变为普通numpy形式
            
            target_y=y.data.numpy()
            
            #c=pre_y表示根据分类填充颜色，cmap是只有当c是浮点数数组时使用
            plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pre_y, s=100, lw=0, cmap='RdYlGn')
            accuracy = sum(pre_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(0.01)
    plt.ioff()  # 停止画图
    plt.show()