Pytorch如何实现神经网络的分类

import torch from torch.autograd import Variable import matplotlib.pyplot as plt import torch.nn.functional as F import torch.utils.data as Data torch.manual_seed(1)#设置随机种子，使得每次生成的随机数是确定的 BATCH_SIZE = 5#设置batch size #1.制作两类数据 n_data = torch.ones( 1000,2 ) x0 = torch.normal( 1.5*n_data, 1 )#均值为2 标准差为1 y0 = torch.zeros( 1000 ) x1 = torch.normal( -1.5*n_data,1 )#均值为-2 标准差为1 y1 = torch.ones( 1000 ) print("数据集维度：",x0.size(),y0.size()) #合并训练数据集,并转化数据类型为浮点型或整型 x = torch.cat( (x0,x1),0 ).type( torch.FloatTensor ) y = torch.cat( (y0,y1) ).type( torch.LongTensor ) print( "合并后的数据集维度：",x.data.size(), y.data.size() ) #当不使用batch size训练数据时，将Tensor放入Variable中 # x,y = Variable(x), Variable(y) #绘制训练数据 # plt.scatter( x.data.numpy()[:,0], x.data.numpy()[:,1], c=y.data.numpy()) # plt.show() #当使用batch size训练数据时，首先将tensor转化为Dataset格式 torch_dataset = Data.TensorDataset(x, y) #将dataset放入DataLoader中 loader = Data.DataLoader( dataset=torch_dataset, batch_size = BATCH_SIZE,#设置batch size shuffle=True,#打乱数据 num_workers=2#多线程读取数据 ) #2.前向传播过程 class Net(torch.nn.Module):#继承基类Module的属性和方法 def __init__(self, input, hidden, output): super(Net, self).__init__()#继承__init__功能 self.hidden = torch.nn.Linear(input, hidden)#隐层的线性输出 self.out = torch.nn.Linear(hidden, output)#输出层线性输出 def forward(self, x): x = F.relu(self.hidden(x)) x = self.out(x) return x # 训练模型的同时保存网络模型参数 def save(): #3.利用自定义的前向传播过程设计网络，设置各层神经元数量 # net = Net(input=2, hidden=10, output=2) # print("神经网络结构：",net) #3.快速搭建神经网络模型 net = torch.nn.Sequential( torch.nn.Linear(2,10),#指定输入层和隐层结点，获得隐层线性输出 torch.nn.ReLU(),#隐层非线性化 torch.nn.Linear(10,2)#指定隐层和输出层结点，获得输出层线性输出 ) #4.设置优化算法、学习率 # optimizer = torch.optim.SGD( net.parameters(), lr=0.2 ) # optimizer = torch.optim.SGD( net.parameters(), lr=0.2, momentum=0.8 ) # optimizer = torch.optim.RMSprop( net.parameters(), lr=0.2, alpha=0.9 ) optimizer = torch.optim.Adam( net.parameters(), lr=0.2, betas=(0.9,0.99) ) #5.设置损失函数 loss_func = torch.nn.CrossEntropyLoss() plt.ion()#打开画布，可视化更新过程 #6.迭代训练 for epoch in range(2): for step, (batch_x, batch_y) in enumerate(loader): out = net(batch_x)#输入训练集，获得当前迭代输出值 loss = loss_func(out, batch_y)#获得当前迭代的损失 optimizer.zero_grad()#清除上次迭代的更新梯度 loss.backward()#反向传播 optimizer.step()#更新权重 if step%200==0: plt.cla()#清空之前画布上的内容 entire_out = net(x)#测试整个训练集 #获得当前softmax层最大概率对应的索引值 pred = torch.max(F.softmax(entire_out), 1)[1] #将二维压缩为一维 pred_y = pred.data.numpy().squeeze() label_y = y.data.numpy() plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn') accuracy = sum(pred_y == label_y)/y.size() print("第 %d 个epoch，第 %d 次迭代，准确率为 %.2f"%(epoch+1, step/200+1, accuracy)) #在指定位置添加文本 plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 15, 'color': 'red'}) plt.pause(2)#图像显示时间 #7.保存模型结构和参数 torch.save(net, 'net.pkl') #7.只保存模型参数 # torch.save(net.state_dict(), 'net_param.pkl') plt.ioff()#关闭画布 plt.show() if __name__ == '__main__': save()

import torch from torch.autograd import Variable import matplotlib.pyplot as plt import torch.nn.functional as F #制作数据 n_data = torch.ones( 100,2 ) x0 = torch.normal( 1.5*n_data, 1 )#均值为2 标准差为1 y0 = torch.zeros( 100 ) x1 = torch.normal( -1.5*n_data,1 )#均值为-2 标准差为1 y1 = torch.ones( 100 ) print("数据集维度：",x0.size(),y0.size()) #合并训练数据集,并转化数据类型为浮点型或整型 x = torch.cat( (x0,x1),0 ).type( torch.FloatTensor ) y = torch.cat( (y0,y1) ).type( torch.LongTensor ) print( "合并后的数据集维度：",x.data.size(), y.data.size() ) #将Tensor放入Variable中 x,y = Variable(x), Variable(y) #载入模型和参数 def restore_net(): net = torch.load('net.pkl') #获得载入模型的预测输出 pred = net(x) # 获得当前softmax层最大概率对应的索引值 pred = torch.max(F.softmax(pred), 1)[1] # 将二维压缩为一维 pred_y = pred.data.numpy().squeeze() label_y = y.data.numpy() accuracy = sum(pred_y == label_y) / y.size() print("准确率为：",accuracy) plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn') plt.show() #仅载入模型参数,需要先创建网络模型 def restore_param(): net = torch.nn.Sequential( torch.nn.Linear(2,10),#指定输入层和隐层结点，获得隐层线性输出 torch.nn.ReLU(),#隐层非线性化 torch.nn.Linear(10,2)#指定隐层和输出层结点，获得输出层线性输出 ) net.load_state_dict( torch.load('net_param.pkl') ) #获得载入模型的预测输出 pred = net(x) # 获得当前softmax层最大概率对应的索引值 pred = torch.max(F.softmax(pred), 1)[1] # 将二维压缩为一维 pred_y = pred.data.numpy().squeeze() label_y = y.data.numpy() accuracy = sum(pred_y == label_y) / y.size() print("准确率为：",accuracy) plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn') plt.show() if __name__ =='__main__': # restore_net() restore_param()

pytorch的优点

1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛供用户交流和求教问题6.入门简单

关于“Pytorch如何实现神经网络的分类”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。

pytorch的优点

相关阅读