莫烦PyTorch学习笔记(五)——分类

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
# make fake data
n_data = torch.ones(, )
x0 = torch.normal(*n_data, )      #每个元素（x,y）是从 均值=*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
y0 = torch.zeros()               # 给每个元素一个0标签
x1 = torch.normal(-*n_data, )     # 每个元素（x,y）是从 均值=-*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
y1 = torch.ones()                # 给每个元素一个1标签
x = torch.cat((x0, x1), ).type(torch.FloatTensor)  # shape (, ) FloatTensor = -bit floating
y = torch.cat((y0, y1), ).type(torch.LongTensor)    # shape (,) LongTensor = -bit integer
# torch can only train on Variable, so convert them to Variable
x, y = Variable(x), Variable(y)

# draw the data
plt.scatter(x.data.numpy()[:, ], x.data.numpy()[:, ], c=y.data.numpy())#c是一个颜色序列

#plt.show()
#神经网络模块
class Net(torch.nn.Module):#继承神经网络模块
    def __init__(self,n_features,n_hidden,n_output):#初始化神经网络的超参数
        super(Net,self).__init__()#调用父类神经网络模块的初始化方法，上面三行固定步骤，不用深究
        self.hidden = torch.nn.Linear(n_features,n_hidden)#指定隐藏层有多少输入，多少输出
        self.predict = torch.nn.Linear(n_hidden, n_output)#指定预测层有多少输入，多少输出
    def forward(self,x):#搭建神经网络
        x = F.relu(self.hidden(x))#积极函数激活加工经过隐藏层的x
        x = self.predict(x)#隐藏层的数据经过预测层得到预测结果
        return x
net = Net(,,)#声明一个类对象
print(net)

plt.ion()#在Plt.ion和plt.ioff之间的代码,交互绘图
plt.show()
#神经网络优化器，主要是为了优化我们的神经网络，使他在我们的训练过程中快起来，节省社交网络训练的时间。
optimizer = torch.optim.SGD(net.parameters(),lr = 0.01)#其实就是神经网络的反向传播，第一个参数是更新权重等参数，第二个对应的是学习率
loss_func = torch.nn.CrossEntropyLoss()#标签误差代价函数

for t in range():
    out = net(x)
    loss = loss_func(out,y)#计算损失
    optimizer.zero_grad()#梯度置零
    loss.backward()#反向传播
    optimizer.step()#计算结点梯度并优化，
    if t %  == :
        plt.cla()# Clear axis即清除当前图形中的之前的轨迹
        prediction = torch.max(F.softmax(out), )[]#转换为概率，后面的一是最大值索引，如果为0则返回最大值
        pred_y = prediction.data.numpy().squeeze()
        target_y = y.data.numpy()
        plt.scatter(x.data.numpy()[:, ], x.data.numpy()[:, ], c=pred_y, s=, lw=, cmap='RdYlGn')
        accuracy = sum(pred_y == target_y) / .#求准确率
        plt.text(1.5, -, 'Accuracy=%.2f' % accuracy, fontdict={'size': , 'color': 'red'})
        plt.pause(0.1)

plt.ioff()
plt.show()

下面的是一个比较快搭建神经网络的代码，在上面的代码进行修改，代码如下

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
# make fake data
n_data = torch.ones(, )
x0 = torch.normal(*n_data, )      #每个元素（x,y）是从 均值=*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
y0 = torch.zeros()               # 给每个元素一个0标签
x1 = torch.normal(-*n_data, )     # 每个元素（x,y）是从 均值=-*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
y1 = torch.ones()                # 给每个元素一个1标签
x = torch.cat((x0, x1), ).type(torch.FloatTensor)  # shape (, ) FloatTensor = -bit floating
y = torch.cat((y0, y1), ).type(torch.LongTensor)    # shape (,) LongTensor = -bit integer
# torch can only train on Variable, so convert them to Variable
x, y = Variable(x), Variable(y)

# draw the data
plt.scatter(x.data.numpy()[:, ], x.data.numpy()[:, ], c=y.data.numpy())#c是一个颜色序列

#plt.show()
#神经网络模块
net2 = torch.nn.Sequential(
    torch.nn.Linear(,),
    torch.nn.ReLU(),
    torch.nn.Linear(,)
)

plt.ion()#在Plt.ion和plt.ioff之间的代码,交互绘图
plt.show()
#神经网络优化器，主要是为了优化我们的神经网络，使他在我们的训练过程中快起来，节省社交网络训练的时间。
optimizer = torch.optim.SGD(net.parameters(),lr = 0.01)#其实就是神经网络的反向传播，第一个参数是更新权重等参数，第二个对应的是学习率
loss_func = torch.nn.CrossEntropyLoss()#标签误差代价函数

for t in range():
    out = net(x)
    loss = loss_func(out,y)#计算损失
    optimizer.zero_grad()#梯度置零
    loss.backward()#反向传播
    optimizer.step()#计算结点梯度并优化，
    if t %  == :
        plt.cla()# Clear axis即清除当前图形中的之前的轨迹
        prediction = torch.max(F.softmax(out), )[]#转换为概率，后面的一是最大值索引，如果为0则返回最大值
        pred_y = prediction.data.numpy().squeeze()
        target_y = y.data.numpy()
        plt.scatter(x.data.numpy()[:, ], x.data.numpy()[:, ], c=pred_y, s=, lw=, cmap='RdYlGn')
        accuracy = sum(pred_y == target_y) / .#求准确率
        plt.text(1.5, -, 'Accuracy=%.2f' % accuracy, fontdict={'size': , 'color': 'red'})
        plt.pause(0.1)

plt.ioff()
plt.show()