Pytorch深度学习者必备技能教程四

1、通过Pytorch搭建的神经网络来描述一个简单的分类问题 搭建思路描述：? Torch生成数据集、预处理?搭建神经网络?损失函数与优化函数选择?模型训练以及图像绘制?结果可视化展示搭建神经网络1 .导入需要的包与模块：上一篇文章我们已经讲了导包注意的问题了，现在直接导入搭建该神经 网络所需要的包即可from torch.nn import functional as Ffrom torch.autogradimport Variablefrom matplotlib import pyplot as pltfrom torch.nn import Linear, CrossEntropyLos

2、sfrom torch.optim import SGDimport torch.nn as nnimport torch2 .Torch生成数据集、预处理：今天搭建的神经网络主要是要对提供数据集进行分类，所以这里需要构 造两种类型的数据。n_data = torch.ones(100, 2)x_0 = torch.normal(2 * n_data, 1) #第一个参数：平均值 第二个参数：方差y_0 = torch.zeros(100)x_1 = torch.normal(-2 * n_data, 1)y_1 = torch.ones(100)x = torch.cat(x_0, x_1)

3、, O).type(torch.FloatTensor) #第一个参数：输入数据第二个参数：指定隹足y = torch.cat(y_0, y_1), ).type(torch.FloatTensor)x, y = Variable(X) , Variable(Y)3 .搭建神经网络：搭建一个全连接神经网络，函数的选择原因和上篇文章一样。在_init_函数里搭建一个隐藏层与输出层。forward 函数主要负责前向传播,并得到神经网络的输出值classNet(Module):def_init_(self, n_feature, n_hidden, n_output):super(Net, self

4、)._init_()self.hidden = Linear(n_feature, n_hidden)self.pred = Linear(n_hidden, n_output)def forward (self, x):x = F.relu(self.hidden(x)x = self.pred(x)return xnet = Net(n_feature=2, n_hidden=10, n_output=2)4 .损失函数与优化函数选择：在机器学习中(特别是分类模型)，模型训练时，通常都是使用交叉嫡 (Cross-Entropy )作为损失进行最小化对于分类问题，我们一般选用交叉 嫡作为损失

5、函数。优化函数的选择，和上篇文章讲的同理，这里就选SGD即可满足要求。optimizer= SGD(net.parameters(), lr=0.02)loss_func= CrossEntropyLoss()5 .模型训练以及图像绘制此处我们对模型训练1000次，一次来保证最终的参数符合我们的要求，并将最终的预测结果展示出来。plt.ion()for step in range(1000):y_pred = net (x)loss = loss_func(y_pred, y)optimizer.zero_grad()loss.backward()optimizer.step()if step

6、 % 5 = 0:plt.cla()pred = torch.max(y_pred, 1)1 #返回行最大值对应的列索引pred_y = pred.data.numpy().sequeeze()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 = float(pred_y = target_y).astype(int).sum() / float(target_y.size) # # 求预测值与真实值之间的田柳一一plt.text(1.5, -4, "Accuracy=%.2f" % accuracy,fontdict="size": 20, "color": "red")plt.pause(0.1)plt.ioff()plt.savefig("自己保存图片的路径")plt.show()6 .结果可视化展示：-4-202由绘制的图可以看出来，对于我们自己生成的数据，神经网