這次我們也是用最簡單的途徑來看看神經網路是怎麼進行事物的分類.
我們建立一些假資料來模擬真實的情況. 比如兩個二次分布的資料, 不過他們的均值都不一樣.
import torch
import matplotlib.pyplot as plt
# 假資料
n_data = torch.ones(100, 2) # 資料的基本形態
x0 = torch.normal(2*n_data, 1) # 型別0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100) # 型別0 y data (tensor), shape=(100, 1)
x1 = torch.normal(-2*n_data, 1) # 型別1 x data (tensor), shape=(100, 1)
y1 = torch.ones(100) # 型別1 y data (tensor), shape=(100, 1)
# 注意 x, y 資料的資料形式是一定要像下面一樣 (torch.cat 是在合併資料)
x = torch.cat((x0, x1), 0).type(torch.floattensor) # floattensor = 32-bit floating
y = torch.cat((y0, y1), ).type(torch.longtensor) # longtensor = 64-bit integer
# 畫圖
# plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='rdylgn')
# plt.show()
__init__()), 然後再一層層搭建(forward(x))層於層的關係鏈結. 這個和我們在前面 regression 的時候的神經網路基本沒差. 建立關係的時候, 我們會用到激勵函式, 如果還不清楚激勵函式用途的同學, 這裡有非常好的一篇動畫教程.
import torch
import torch.nn.functional as f # 激勵函式都在這
class net(torch.nn.module): # 繼承 torch 的 module
def __init__(self, n_feature, n_hidden, n_output):
super(net, self).__init__() # 繼承 __init__ 功能
self.hidden = torch.nn.linear(n_feature, n_hidden) # 隱藏層線性輸出
self.out = torch.nn.linear(n_hidden, n_output) # 輸出層線性輸出
def forward(self, x):
# 正向傳播輸入值, 神經網路分析出輸出值
x = f.relu(self.hidden(x)) # 激勵函式(隱藏層的線性值)
x = self.out(x) # 輸出值, 但是這個不是**值, **值還需要再另外計算
return x
net = net(n_feature=2, n_hidden=10, n_output=2) # 幾個類別就幾個 output
print(net) # net 的結構
"""net (
(hidden): linear (2 -> 10)
(out): linear (10 -> 2)
)"""
# optimizer 是訓練的工具
optimizer = torch.optim.sgd(net.parameters(), lr=0.02) # 傳入 net 的所有引數, 學習率
# 算誤差的時候, 注意真實值!不是! one-hot 形式的, 而是1d tensor, (batch,)
# 但是**值是2d tensor (batch, n_classes)
loss_func = torch.nn.crossentropyloss()
for t in range(100):
out = net(x) # 餵給 net 訓練資料 x, 輸出分析值
loss = loss_func(out, y) # 計算兩者的誤差
optimizer.zero_grad() # 清空上一步的殘餘更新引數值
loss.backward() # 誤差反向傳播, 計算引數更新值
optimizer.step() # 將引數更新值施加到 net 的 parameters 上
import matplotlib.pyplot as plt
plt.ion() # 畫圖
plt.show()
for t in range(100):
...loss.backward()
optimizer.step()
# 接著上面來
if t % 2 == 0:
plt.cla()
# 過了一道 softmax 的激勵函式後的最大概率才是**值
prediction = torch.max(f.softmax(out), 1)[1]
pred_y = prediction.data.numpy().squeeze()
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 = sum(pred_y == target_y)/200. # **中有多少和真實值一樣
plt.text(1.5, -4, 'accuracy=%.2f' % accuracy, fontdict=)
plt.pause(0.1)
plt.ioff() # 停止畫圖
所以這也就是在作者 github ** 中的每一步的意義啦.
非常感謝莫煩的精彩教學。
pytorch動態神經網路（分類）
import torch import matplotlib as plt n data torch.ones 100,2 代表形成了乙個100行2列為1的資料 x0 torch.normal 2 n data,1 表示均值為2，標準差為為1 y0 torch.zeros 100 定義資料型別為0 ...
RNN 迴圈神經網路 分類 pytorch
import torch from torch import nn import torchvision.datasets as dsets import torchvision.transforms as transforms import matplotlib.pyplot as plt imp...
pytorch（八） RNN迴圈神經網路 分類
import torch import torch.nn as nn import torchvision.transforms as transforms from torch.autograd import variable import matplotlib.pyplot as plt imp...