搭建一个分类网络

对下图这种平面上的点根据颜色进行分类

导入所需库

分别导入torch库，宏定义神经元类型（自动梯度）Variable，定义激励函数库F，由于希望过程可视化所以导入matplotlib库

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

生成所需数据

生成被拟合数据x0和x1

n_data = torch.ones(100,2)          #生成一个全为1的100行2列的张量，一列横坐标，一列纵坐标
x0 = torch.normal(2*n_data,1)       #x~N(2,1)的正态分布
y0 = torch.zeros(100)               #x0的标签y0全部设为0,一维数组100个0
x1 = torch.normal(-2*n_data,1)      #同样，x1内包含了的横坐标和纵坐标，X1~N(-2,1)的正态分布
y1 = torch.ones(100)                #x1的标签y1全部设为1,一维数组100个1

因为是对一个平面内的点进行分类，所以
n_data = torch.ones(100,2)
生成一个全为1的100行2列的张量，一列横坐标，一列纵坐标，n_data类型含有两个同时变量
torch.normal(A,B)意为从正态分布X~N(A,B)中生成张量，由于n_data都是1，所以X₀~N(2,1)的正态分布
y0和y1分别是x0和x1的标签，我们最终目标是分辨哪些点的标签是1，哪些是0

拼接坐标以及标签

x=torch.cat((x0,x1),0).type(torch.FloatTensor)          # 将x0和x1上下拼接变成待处理数据(200行2列)，坐标要定义为浮点数，用.type()将结果转换为浮点数
y=torch.cat((y0,y1),).type(torch.LongTensor)            # 将标签定义为整形类型(一维200个数字，前100个是0，后100个是1)

cat函数：cat((A,B),0)把A张量和B张量上下拼接，若为1则左右拼接。若，后没有设置，则默认是0，进行上下拼接。

cat()函数例子：

A=torch.ones(2,3)   #2x3的张量（矩阵）
print("A:\n",A,"\nA.shape:\n",A.shape,"\n")B=2*torch.ones(3,3)                         #4x3的张量（矩阵）
print("B:\n",B,"\nB.shape:\n",B.shape,"\n")C=torch.cat((A,B),0)  #按维数0（行,即上下）拼接
print("C:\n",C,"\nC.shape:\n",C.shape,"\n")

输出：

A:tensor([[1., 1., 1.],[1., 1., 1.]])
A.shape:torch.Size([2, 3]) B:tensor([[2., 2., 2.],[2., 2., 2.],[2., 2., 2.]])
B.shape:torch.Size([3, 3]) C:tensor([[1., 1., 1.],[1., 1., 1.],[2., 2., 2.],[2., 2., 2.],[2., 2., 2.]])
C.shape:torch.Size([5, 3])

搭建网络

与前一篇定义基本相同，解读可参照上一篇文章

class Net(torch.nn.Module):             #从torch继承了Module类def __init__(self,n_feature,n_hidden,n_output):                 #初始化时定义的，输入个数，隐藏层神经元个数，输出个数super().__init__()      #继承父类功能（官方步骤)self.hidden = torch.nn.Linear(n_feature,n_hidden)      #隐藏层：输入数据个数，隐藏层神经元个数,self.predict = torch.nn.Linear(n_hidden,n_output)               #预测层：输入是前面的hidden，输出个数#神经元之间传递是线性，非线性是由激励函数实现的def forward(self,x):                    # 前向传递,输入信息是xx=F.relu(self.hidden(x))            #使用一个hidden层加工x，输出n个神经元，进入relu函数激活x=self.predict(x)                   #将x放入预测层,并不希望结果被截断，所以不用外面套一层F.relu()return x

net = Net(2,10,2)
由于输入某个点有横纵坐标，所以输入是2个特征，设置10个神经元，又因为这是二分类问题，输出向量 [0,1]代表输出1，[1,0]代表输出0。

优化网络

optimizer = torch.optim.SGD(net.parameters(),lr=0.01)
调用torch的优化方法，选择常用的SGD优化器。 parameters是net的所有参数 lr是梯度下降速度（也就是学习速度，过快过慢都不行）

loss_function=torch.nn.CrossEntropyLoss() 定义处理误差的方法分类一般用交叉熵损失处理方法。

交叉熵知识稍后补充。

使用网络进行回归

for t in range(100):                # 训练100次prediction = net(x)             # 预测结果=100个数字经过net正向传播的100个值loss = loss_function(prediction,y)optimizer.zero_grad()           #因为梯度累加，先要梯度降为0loss.backward()                 #反向传递optimizer.step()                #优化梯度，其实就是找正确结果

整体代码及注释

建议复制到编辑器，配合高亮看。

其中matplotlib相关绘图代码我也看不懂，也不是重点

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as pltn_data = torch.ones(100,2)          #生成一个全为1的100行2列的张量，一列横坐标，一列纵坐标x0 = torch.normal(2*n_data,1)       #因为n_data是二维张量，所以x0内包含了某点的横坐标和纵坐标，x~N(2,1)的正态分布
#torch.normal(A,B)意为从正态分布N~(A,B)中生成张量
y0 = torch.zeros(100)               #x0的标签y0全部设为0,一维数组100个0
x1 = torch.normal(-2*n_data,1)      #同样，x1内包含了的横坐标和纵坐标，x~N(-2,1)的正态分布
y1 = torch.ones(100)                #x1的标签y1全部设为1,一维数组100个1
#分辨哪一类是0，哪一类是1x=torch.cat((x0,x1),).type(torch.FloatTensor)          # 将x0和x1上下拼接变成待处理数据(200行2列)，坐标要定义为浮点数，用.type()将结果转换为浮点数
y=torch.cat((y0,y1),).type(torch.LongTensor)            # 将标签定义为整形类型(一维200个数字，前100个是0，后100个是1)
#cat函数，cat((A,B),0)把A张量和B张量上下拼接，若为1则左右拼接x=Variable(x)
y=Variable(y)'''
# 绘图查看数据（一半红一半绿）
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')
plt.show()
'''class Net(torch.nn.Module):             #从torch继承了Module类def __init__(self,n_feature,n_hidden,n_output):                 #初始化时定义的，输入个数，隐藏层神经元个数，输出个数super().__init__()      #继承父类功能（官方步骤)self.hidden = torch.nn.Linear(n_feature,n_hidden)      #隐藏层：输入数据个数，隐藏层神经元个数,self.predict = torch.nn.Linear(n_hidden,n_output)               #预测层：输入是前面的hidden，输出个数#神经元之间传递是线性，非线性是由激励函数实现的def forward(self,x):                    # 前向传递,输入信息是xx=F.relu(self.hidden(x))            #使用一个hidden层加工x，输出n个神经元，进入relu函数激活x=self.predict(x)                   #将x放入预测层,并不希望结果被截断，所以不用外面套一层F.relu()return xnet = Net(2,10,2)       #输入某个点的横纵坐标2个特征，10个神经元，这是二分类问题输出向量[0,1]代表输出1,[1,0]代表输出0。
# 有点像线代求特征向量，三分类问题就要[0,0,1],四分类就是[0,1,0,0]。ont-hot'''
print(net)                  #查看网络
Net((hidden): Linear(in_features=2, out_features=10, bias=True)(predict): Linear(in_features=10, out_features=2, bias=True)
)
输入某点的横纵坐标，得到对应的向量[0,1] or [1,0]
隐藏层输入2个变量，输出10个神经元
预测层输入10个神经元，输出向量
'''plt.ion()             #实时打印过程
plt.show()# 优化神经网络
optimizer = torch.optim.SGD(net.parameters(),lr=0.01)
# 调用torch的优化方法中，选择常用的SGD优化器。  parameters是net的所有参数   lr是梯度下降速度
loss_function=torch.nn.CrossEntropyLoss()        #定义处理误差的方法 分类一般用交叉熵损失处理方法for t in range(100):                # 训练100次prediction = net(x)             # 预测结果=100个数字经过net正向传播的100个值loss = loss_function(prediction,y)optimizer.zero_grad()           #因为梯度累加，先要梯度清空为0loss.backward()                 #反向传递optimizer.step()                #优化梯度，其实就是找正确结果if t%2==0:              #每2步打印一次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(prediction), 1)[1]             #用softmax将向量转换为概率，输出索引为1的地方  ↑那个向量一样的东西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)

莫烦pytorch学习笔记（三）相关推荐

莫烦pytorch学习笔记5
莫烦pytorch学习笔记5 1 自编码器 2代码实现 1 自编码器自编码,又称自编码器(autoencoder),是神经网络的一种,经过训练后能尝试将输入复制到输出.自编码器(autoencode ...
莫烦强化学习笔记整理（九）DDPG
莫烦强化学习笔记整理(九)DDPG 1.DDPG 要点 2.DDPG 算法 actor critic actor与critic结合类似于DQN的记忆库回合更新链接: DDPG代码. 1.DDPG ...
莫烦---Pytorch学习
今天翻翻资料,发现有些地方的说明不太到位,修改过来了. Will Yip 2020.7.29 莫烦大神Pytorch -->> 学习视频地址 2020年开年就遇上疫情,还不能上学,有够难受 ...
莫烦pytorch学习之问题记录与总结
目录一.三分类问题二.创建网络结构部分,还有另一种形式,如下: 三.pytorch中save_model和load_model: 四.batch批量数据读取五.pytorch测试SGD.Mome ...
莫烦Pytorch神经网络第三章代码修改
3.1Regression回归 import torch import torch.nn.functional as F from torch.autograd import Variable imp ...
【Pytorch学习笔记三】Pytorch神经网络包nn和优化器optm（一个简单的卷积神经网络模型的搭建）
文章目录一, 神经网络包nn 1.1定义一个网络 1.2 损失函数二.优化器 nn构建于 Autograd之上,可用来定义和运行神经网络, PyTorch Autograd 让我们定义计算图和计算 ...
莫烦python学习笔记之numpy基本运算
numpy 的一维矩阵的几种基本运算 import numpy as np a=np.array([10,20,30,40]) # array([10, 20, 30, 40]) b=np.arang ...
莫烦python学习笔记之tuple,list，字典
tuple 用小括号.或者无括号来表述,是一连串有顺序的数字. a_tuple = (12, 3, 5, 15 , 6) another_tuple = 12, 3, 5, 15 , 6 list 以 ...
TensorFlow 莫烦视频学习笔记例子二（一）
注释链接所有代码 # -*- coding: utf-8 -*- """ Created on Wed Apr 19 12:30:49 2017@author: lg同 ...
莫烦python学习笔记之numpy.array,dtype,empty,zeros,ones,arrange,linspace
array:创建数组 dtype:指定数据类型 empty:创建数据接近0 zeros:创建数据全为0 ones:创建数据全为1 arrange:按指定范围创建数据 linspace:创建线段 imp ...

莫烦pytorch学习笔记（三）