1 導入庫
import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F
2 資料處理
n_data=torch.ones(100,2)
x_0=torch.normal(2*n_data,1)
#x_0的shape是(100,2),值的均值為2*1,标準差為1
y_0=torch.zeros(100)
#y_0的shape是(100,)
x_1=torch.normal(-2*n_data,1)
#x_1的shape是(100,2),值的均值為-2*1,标準差為1
y_1=torch.ones(100)
#y_1的shape是(100,)
x=torch.cat((x_0,x_1))
#預設沿着列的方向合并
y=torch.cat((y_0,y_1)).type(torch.LongTensor)
#!!!必須得修改類型,否則之後報錯
#RuntimeError: expected scalar type Long but found Float
'''
print(x.size(),y.size())
torch.Size([200, 2]) torch.Size([200])
'''
#資料可視化
plt.scatter(x[:,0],x[:,1],c=y)
plt.show()
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLiAzNfRHLGZkRGZkRfJ3bs92YsYTMfVmepNHL4NmeNJTQq10dRpHW4Z0MMBjVtJWd0ckW65UbM5WOHJWa5kHT20ESjBjUIF2X0hXZ0xCMx81dvRWYoNHLrdEZwZ1Rh5WNXp1bwNjW1ZUba9VZwlHdssmch1mclRXY39CXldWYtlWPzNXZj9mcw1ycz9WL49zZuBnL0IDOzETOzIjMyAjNwEjMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
3 模型定義
class Net(torch.nn.Module):
def __init__(self,n_input,n_hidden,n_output):
super(Net,self).__init__()
self.hidden=torch.nn.Linear(n_input,n_hidden)
self.out=torch.nn.Linear(n_hidden,n_output)
#前向傳播
def forward(self,x):
x=F.relu(self.hidden(x))
x=self.out(x)
return x
net=Net(2,10,2)
#輸入是每個點的橫縱坐标,輸出是屬于1和屬于0類的機率
net
'''
Net(
(hidden): Linear(in_features=2, out_features=10, bias=True)
(out): Linear(in_features=10, out_features=2, bias=True)
)
'''
4 模型訓練及可視化
#訓練及可視化
#優化函數
optimizer=torch.optim.SGD(net.parameters(),lr=0.2)
#損失函數
loss_func=torch.nn.CrossEntropyLoss()
for epoch in range(100):
prediction=net(x)
loss=loss_func(prediction,y)
optimizer.zero_grad()
#清空上一步的參與更新的參數值
loss.backward()
#誤差反向傳播,計算參數更新值
optimizer.step()
#将參數更新值施加到net的parameters上
if(epoch % 10==0):
predict=torch.max(F.softmax(prediction,dim=0),axis=1)[1]
#預設逐行進行softmax (對num[x][1,2,....n][y]進行操作)
#每一行然後找到最大的一個,max傳回的第一個元素是這一行最大的那個值,第二個元素是這一行最大的那個值對應的下标
#計算準确率
predict=predict.data.numpy()
target=y.data.numpy()
accuracy=sum(predict==target)/predict.size
#分類結果可視化
plt.scatter(x[:,0],x[:,1],c=predict)
plt.text(1.5,-4,'accuracy:{acc:.2f}'.format(acc=accuracy))
plt.show()
第一步:
最後一步: