PyTorch-Linear關係分類
硬件:NVIDIA-GTX1080
軟件:Windows7、python3.6.5、pytorch-gpu-0.4.1
一、基礎知識
1、二分類問題
2、函數學習torch.normal()、torch.cat()、torch.nn.CrossEntropyLoss()、torch.max(Func.softmax())
二、代碼展示
import torch
import torch.nn.functional as Func # 激勵函數都在這
import matplotlib.pyplot as plt
# 假數據
n_data = torch.ones(100, 2) # 數據的基本形態
x0 = torch.normal(2*n_data, 1) # 類型0 x data (tensor), shape=(100, 2) norm歸一化
y0 = torch.zeros(100) # 類型0 y data (tensor), shape=(100, )
x1 = torch.normal(-2*n_data, 1) # 類型1 x data (tensor), shape=(100, 2) norm歸一化
y1 = torch.ones(100) # 類型1 y data (tensor), shape=(100, )
# 注意 x, y 數據的數據形式是一定要像下面一樣 (torch.cat 是在合併數據)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor) # FloatTensor = 32-bit floating #按維數0拼接,行
y = torch.cat((y0, y1), ).type(torch.LongTensor) # LongTensor = 64-bit integer
# 畫圖
# 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): # 繼承 torch 的 Module
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 繼承 Module 的 __init__ 功能
# 定義每層用什麼樣的形式
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隱藏層線性輸出, type(hidden) = torch.nn.modules.linear.Linear(一個類)
self.output = torch.nn.Linear(n_hidden, n_output) # 輸出層線性輸出, type(predict) = torch.nn.modules.linear.Linear(一個類)
def forward(self, x): # 這同時也是 Module 中的 forward 功能
# 正向傳播輸入值, 神經網絡分析出輸出值
x = Func.relu(self.hidden(x)) # 激勵函數(隱藏層的線性值) self.hidden.forward(x), 其中forward被隱藏,因爲使用了繼承,父類中有@內置
x = self.output(x) # 輸出值 self.predict.forward(x), 其中forward被隱藏
return x
net = Net(n_feature=2, n_hidden=10, n_output=2)
# print(net) # net 的結構
# optimizer 是訓練的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.01) # 傳入 net 的所有參數, 學習率
loss_func = torch.nn.CrossEntropyLoss() # 預測值和真實值的誤差計算公式 (交叉熵), type(torch.nn.CrossEntropyLoss()) = torch.nn.modules.loss.CrossEntropyLoss(一個類)
plt.ion() # 畫圖
plt.show()
for t in range(100):
output = net(x) # 餵給 net 訓練數據 x, 輸出預測值 net.forward(x), 其中forward被隱藏
loss = loss_func(output, y) # 計算兩者的誤差 loss_func.forward(prediction, y), 其中forward被隱藏
optimizer.zero_grad() # 清空上一步的殘餘更新參數值
loss.backward() # 誤差反向傳播, 計算參數更新值
optimizer.step() # 將參數更新值施加到 net 的 parameters 上
if t % 2 == 0:
plt.cla()
# 過了一道 softmax 的激勵函數後的最大概率纔是預測值
prediction = torch.max(Func.softmax(output), 1)[1] # 1表示維度1,列,[0]表示概率值,[1]表示標籤
pred_y = prediction.data.numpy()
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. # 預測中有多少和真實值一樣
plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
三、結果展示
四、參考:
任何問題請加唯一QQ2258205918(名稱samylee)!