现在, 我们将获得有关如何创建, 学习和测试Perceptron模型的知识。在PyTorch中Perceptron模型的实现是通过几个步骤完成的, 例如为模型创建数据集, 设置模型, 训练模型以及测试模型。
让我们从第一步开始, 即创建数据集。
为了创建数据集, 我们将直接从SDK学习导入数据集。 SDK学习功能使我们可以访问许多预先准备的数据集。我们只需导入数据集即可访问所有这些数据集。在此, 我们还使用numpy库进一步处理和分析此数据, 最后将用于绘制数据集的最常用的库导入matplotlib.pyplot。
在此, 我们首先使用SDK学习创建线性可分离的数据集, 然后使用PyTorch创建基于感知的神经网络。之后, 神经网络将训练以学习如何拟合我们的数据集, 以便能够将我们的数据分为两个离散的类。这将使用你可能熟悉的优化算法(梯度下降)来完成。
在此, 我们将使用make_blobs()方法。此功能将创建一个数据点集群, 这些数据点全部随机地以该集群的选定中心点为中心。
让我们看看创建数据集的步骤
1.第一步是导入所有必需的库, 例如torch, sklearn, numpy和matplotlib.pyplot。
import torchimport numpy as npimport matplotlib.pyplot as pltfromsk learn import datasets
文章图片
2.在第二步中, 我们没有定义任何数据点, 然后使用make_blobs()函数创建一个数据集。正如我告诉你的那样, 此函数将创建一个数据点集群。
no_of_points=100datasets.make_blobs()
文章图片
3.在调用make_blobs()函数之前, 我们需要创建一个嵌套列表, 该列表指定集群中心的坐标。因此, 我们必须通过以下方式调用列表中心并为集群定义中心坐标。
centers=[[-0.5, 0.5], [0.5, -0.5]]
文章图片
4.现在, 我们将创建数据集, 并将数据点存储到变量x中, 而将值存储到变量y中, 我们将使用一下标签。
x, y=dataset.make_blobs()
文章图片
5.由于尚未传递此函数的任何适当参数, 因此尚未创建数据集。因此, 我们在这里传递所有参数。第一个参数表示样本点的数量；第二个参数是随机状态, 第三个参数是中心和最后一个参数, 这将使我们能够生成第一个线性可分离的数据集, 即簇std。
x, y=datasets.make_blobs(n_samples=no_of_points, random_state=123, centers=centers, cluster_std=0.4)
文章图片
6.在下一步中, 我们通过打印x和y坐标将数据可视化, 如下所示：
print(x)print(y)
文章图片
文章图片
【PyTorch创建感知器模型数据集详细图解】7.现在, 根据需要自定义我们的数据集之后, 我们可以使用plt.scatter()函数对其进行绘制和可视化。我们定义每个标签数据集的x和y坐标。让我们从标签为0的数据集开始。它绘制了数据的顶部区域。 0个标记数据集的散布函数定义为
plt.scatter(x[y==0, 0], x[y==0, 1])
文章图片
文章图片
8.现在, 我们在数据的下部区域中绘制点。一个标记数据集的散点函数()定义为
plt.scatter(x[y==1, 0], x[y==1, 1])
文章图片
文章图片
9.记住要训练模型x, 并且y坐标都应为numpy数组。所以我们要做的是将x和y值更改为张量, 如下所示
xdata=http://www.srcmini.com/torch.Tensor(x)ydata=torch.Tensor(y)
文章图片
文章图片
推荐阅读
- PyTorch图像识别实现介绍
- PyTorch用于样式转换的gram矩阵
- PyTorch中的梯度下降实例图解
- PyTorch样式转移的特征提取实例
- PyTorch神经网络和深度学习基本介绍
- PyTorch进阶（深度神经网络中的反向传播过程（图解））
- PyTorch数据扩充流程实例图解
- PyTorch使用自定义模块创建数据模型
- Python绘图|【Python绘图】绘制Mascot