PyTorch-Linear關係分類

原創

samylee

2019-06-10 23:18

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