初识 pytorch 分类问题,梳理流程

涉及内容:

  • 数据准备:在平面内构造两类点
  • 定义神经网络结构
  • 优化器和损失函数
  • 训练
  • 模型保存和提取

效果展示:

代码展示:

# coding=utf-8
import os
import sys
import torch
import torch.nn.functional as F  # 拿到激励函数
import matplotlib.pyplot as plt

# 数据准备,预处理
n_data = torch.ones(100, 2) # 100行2列
x0 = torch.normal(2 * n_data, 1) # 100行2列
y0 = torch.zeros(100) # 第一类 全0
x1 = torch.normal(-2 * n_data, 1)
y1 = torch.ones(100) # 第二类 全1
x = torch.cat((x0, x1), 0)
y = torch.cat((y0, y1), )

x = torch.Tensor(x)
y = torch.Tensor(y).long()

# print(y)
# 打印散点图
# plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, linewidths=0)
# plt.show()

# 定义神经网络结构
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super().__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden) # layer
        self.predict = torch.nn.Linear(n_hidden, n_output) # layer

    def forward(self, x): # 前向计算
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

net = Net(2, 6, 2) # 输入2个特征(座标),输出也是2个特征(标签,独热编码)

# # net 也可以定义如下:
# net = torch.nn.Sequential(
#     torch.nn.Linear(2, 6),
#     torch.nn.ReLU(),
#     torch.nn.Linear(6, 2),
# )
print(net)

# 随机梯度下降
omptimzer = torch.optim.SGD(net.parameters(), lr=0.01) # 网络的所有参数,和学习率
loss_func = torch.nn.CrossEntropyLoss() # 交叉熵 输出每个类型的概率,取最大的

# 可视化
plt.ion() # 设置可以实时显示
plt.show()

# 训练网络,训练1000次
for t in range(1000):
    out = net(x)
    loss = loss_func(out, y) # 误差

    omptimzer.zero_grad() # 先将所有参数的梯度每次置零
    loss.backward() # 误差反向传播,计算所有节点的梯度
    omptimzer.step() # 用上面的计算值,以学习率为lr,来优化参数

    if t % 50 == 0:
        plt.cla()
        prediction = torch.max(F.softmax(out), 1)[1] # 预测的标签值
        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, linewidths=0)
        plt.pause(0.1)
        print(f't:{t}, {loss.tolist()}') # 打印误差

plt.ioff()
plt.show()

# 保存神经网络
save_path = os.path.join(sys.path[0], "classification-modle.pth")
torch.save(net, save_path) # 方式一:保存整个神经网络,结构和参数
# torch.save(net.state_dict(), save_path) # 方式二:只保留参数

# 提取网络
# 方式一:
new_net = torch.load(save_path)
# # 方式二:
# new_net = Net()
# new_net.load_state_dict(torch.load(save_path))

参考莫烦pytorch教程:https://space.bilibili.com

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章