pytorch實作簡易分類模型

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()
           

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：