深度学习|基于Pytorch的神经网络之Classfication 神经网络|深度学习|pytorch

目录

1.引言
2.网络搭建
2.1 准备工作
2.2 搭建网络
2.3 训练网络
3.完整代码

1.引言我们上次介绍了神经网络主要功能之一预测，本篇大部分内容与回归相似，有看不懂的点可以看看我回归 Regression ，今天介绍一下神经网络的另一种功能：分类。
2.网络搭建 2.1 准备工作还是先引用我们所需要的库，和回归所需的一样。

import torch import torch.nn.functional as F import matplotlib.pyplot as plt n_data = https://www.it610.com/article/torch.ones(2000, 2) x0 = torch.normal(2*n_data, 1)# class0 x data (tensor), shape=(100, 2) y0 = torch.zeros(2000)# class0 y data (tensor), shape=(100, 1) x1 = torch.normal(-2*n_data, 1)# class1 x data (tensor), shape=(100, 2) y1 = torch.ones(2000)# class1 y data (tensor), shape=(100, 1) x = torch.cat((x0, x1), 0).type(torch.FloatTensor)# shape (200, 2) FloatTensor = 32-bit floating y = torch.cat((y0, y1), ).type(torch.LongTensor)# shape (200,) LongTensor = 64-bit integer

然后我们生成一些二维数据来代表许多不同的点，我们就是要对这些点进行分类。
2.2 搭建网络主体部分和回归没有什么区别，只是需要修改几个小部分就行了：因为我们的点是二维数据所以输入层有两个神经元，最终结果也是二维数据所以输出层也有两个神经元，损失函数我们选取交叉熵(CrossEntropy)。

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.predict=torch.nn.Linear(n_hidden,n_output) def forward(self,x): x=F.relu(self.hidden(x)) x=self.predict(x) return x net=Net(2,20,2) print(net) optimizer=torch.optim.Adam(net.parameters(),lr=0.001) loss_func=torch.nn.CrossEntropyLoss()

2.3 训练网络训练网络与回归一样，就不赘述了。

for t in range(200): out = net(x) loss = loss_func(out, y)optimizer.zero_grad() loss.backward() optimizer.step()

最后效果是这样的：

文章图片

3.完整代码

import torch import torch.nn.functional as F import matplotlib.pyplot as plt n_data = https://www.it610.com/article/torch.ones(2000, 2) x0 = torch.normal(2*n_data, 1)# class0 x data (tensor), shape=(100, 2) y0 = torch.zeros(2000)# class0 y data (tensor), shape=(100, 1) x1 = torch.normal(-2*n_data, 1)# class1 x data (tensor), shape=(100, 2) y1 = torch.ones(2000)# class1 y data (tensor), shape=(100, 1) x = torch.cat((x0, x1), 0).type(torch.FloatTensor)# shape (200, 2) FloatTensor = 32-bit floating y = torch.cat((y0, y1), ).type(torch.LongTensor)# shape (200,) LongTensor = 64-bit integerclass 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.predict=torch.nn.Linear(n_hidden,n_output) def forward(self,x): x=F.relu(self.hidden(x)) x=self.predict(x) return x net=Net(2,20,2) print(net) optimizer=torch.optim.Adam(net.parameters(),lr=0.001) loss_func=torch.nn.CrossEntropyLoss() plt.ion() for t in range(200): out = net(x)loss = loss_func(out, y)optimizer.zero_grad() loss.backward() optimizer.step() if t % 2 == 0: # plot and show learning process plt.cla() prediction = torch.max(out, 1)[1] pred_y = prediction.data.numpy() target_y = y.data.numpy() plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=10, 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': 10, 'color': 'red'}) plt.pause(0.1)plt.ioff() plt.show()

【深度学习|基于Pytorch的神经网络之Classfication】