pytorch tutorial 2

这里使用pytorch进行一个简单的二分类模型

导入所有我们需要的库

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F

接着我们这里 生成我们需要的假数据

# set seed
torch.manual_seed(1)

# make fake data
n_data = torch.ones(100, 2)
x0 = torch.normal(2 * n_data, 1)
y0 = torch.zeros(100)
x1 = torch.normal(-2 * n_data, 1)
y1 = torch.ones(100)

x = torch.cat((x0, x1), 0).type(torch.FloatTensor)
y = torch.cat((y0, y1), ).type(torch.LongTensor)

　　

我们先定义好我们需要的net的这个类

class Net(torch.nn.Module):

    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        self.out = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.out(x)
        return x

现在开始搭建我们需要的网络

我们构建一个只有1个隐藏层的网络

用SGD的方法对损失方程进行优化

然后用交叉熵来作为我们loss function

net = Net(n_feature=2, n_hidden=10, n_output=2)
print(net)

optimizer = torch.optim.SGD(net.parameters(), lr=0.0015)
loss_func = torch.nn.CrossEntropyLoss()

接着我们开始训练我们的网络

plt.ion()

for t in range(200):
    out = net(x)
    loss = loss_func(out, y)

    optimizer.zero_grad()   # clear gradients for next train
    loss.backward()         # backpropagation, compute gradients
    optimizer.step()

    if t % 2 == 0:
        plt.cla()
        predcition = torch.max(out, 1)[1]
        pred_y = predcition.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 = float((pred_y == target_y).astype(int).sum()) / float(target_y.size)
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
        plt.pause(0.1)

plt.ioff()
plt.show()

　　

接着我们可以看到  已经把我们做的假数据成功分成了两类