Pytorch实现神经网络的分类方式
本文用于利用Pytorch实现神经网络的分类!!!
1.训练神经网络分类模型
importtorch fromtorch.autogradimportVariable importmatplotlib.pyplotasplt importtorch.nn.functionalasF importtorch.utils.dataasData torch.manual_seed(1)#设置随机种子,使得每次生成的随机数是确定的 BATCH_SIZE=5#设置batchsize #1.制作两类数据 n_data=torch.ones(1000,2) x0=torch.normal(1.5*n_data,1)#均值为2标准差为1 y0=torch.zeros(1000) x1=torch.normal(-1.5*n_data,1)#均值为-2标准差为1 y1=torch.ones(1000) print("数据集维度:",x0.size(),y0.size()) #合并训练数据集,并转化数据类型为浮点型或整型 x=torch.cat((x0,x1),0).type(torch.FloatTensor) y=torch.cat((y0,y1)).type(torch.LongTensor) print("合并后的数据集维度:",x.data.size(),y.data.size()) #当不使用batchsize训练数据时,将Tensor放入Variable中 #x,y=Variable(x),Variable(y) #绘制训练数据 #plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=y.data.numpy()) #plt.show() #当使用batchsize训练数据时,首先将tensor转化为Dataset格式 torch_dataset=Data.TensorDataset(x,y) #将dataset放入DataLoader中 loader=Data.DataLoader( dataset=torch_dataset, batch_size=BATCH_SIZE,#设置batchsize shuffle=True,#打乱数据 num_workers=2#多线程读取数据 ) #2.前向传播过程 classNet(torch.nn.Module):#继承基类Module的属性和方法 def__init__(self,input,hidden,output): super(Net,self).__init__()#继承__init__功能 self.hidden=torch.nn.Linear(input,hidden)#隐层的线性输出 self.out=torch.nn.Linear(hidden,output)#输出层线性输出 defforward(self,x): x=F.relu(self.hidden(x)) x=self.out(x) returnx #训练模型的同时保存网络模型参数 defsave(): #3.利用自定义的前向传播过程设计网络,设置各层神经元数量 #net=Net(input=2,hidden=10,output=2) #print("神经网络结构:",net) #3.快速搭建神经网络模型 net=torch.nn.Sequential( torch.nn.Linear(2,10),#指定输入层和隐层结点,获得隐层线性输出 torch.nn.ReLU(),#隐层非线性化 torch.nn.Linear(10,2)#指定隐层和输出层结点,获得输出层线性输出 ) #4.设置优化算法、学习率 #optimizer=torch.optim.SGD(net.parameters(),lr=0.2) #optimizer=torch.optim.SGD(net.parameters(),lr=0.2,momentum=0.8) #optimizer=torch.optim.RMSprop(net.parameters(),lr=0.2,alpha=0.9) optimizer=torch.optim.Adam(net.parameters(),lr=0.2,betas=(0.9,0.99)) #5.设置损失函数 loss_func=torch.nn.CrossEntropyLoss() plt.ion()#打开画布,可视化更新过程 #6.迭代训练 forepochinrange(2): forstep,(batch_x,batch_y)inenumerate(loader): out=net(batch_x)#输入训练集,获得当前迭代输出值 loss=loss_func(out,batch_y)#获得当前迭代的损失 optimizer.zero_grad()#清除上次迭代的更新梯度 loss.backward()#反向传播 optimizer.step()#更新权重 ifstep%200==0: plt.cla()#清空之前画布上的内容 entire_out=net(x)#测试整个训练集 #获得当前softmax层最大概率对应的索引值 pred=torch.max(F.softmax(entire_out),1)[1] #将二维压缩为一维 pred_y=pred.data.numpy().squeeze() label_y=y.data.numpy() plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=pred_y,cmap='RdYlGn') accuracy=sum(pred_y==label_y)/y.size() print("第%d个epoch,第%d次迭代,准确率为%.2f"%(epoch+1,step/200+1,accuracy)) #在指定位置添加文本 plt.text(1.5,-4,'Accuracy=%.2f'%accuracy,fontdict={'size':15,'color':'red'}) plt.pause(2)#图像显示时间 #7.保存模型结构和参数 torch.save(net,'net.pkl') #7.只保存模型参数 #torch.save(net.state_dict(),'net_param.pkl') plt.ioff()#关闭画布 plt.show() if__name__=='__main__': save()
2.读取已训练好的模型测试数据
importtorch fromtorch.autogradimportVariable importmatplotlib.pyplotasplt importtorch.nn.functionalasF #制作数据 n_data=torch.ones(100,2) x0=torch.normal(1.5*n_data,1)#均值为2标准差为1 y0=torch.zeros(100) x1=torch.normal(-1.5*n_data,1)#均值为-2标准差为1 y1=torch.ones(100) print("数据集维度:",x0.size(),y0.size()) #合并训练数据集,并转化数据类型为浮点型或整型 x=torch.cat((x0,x1),0).type(torch.FloatTensor) y=torch.cat((y0,y1)).type(torch.LongTensor) print("合并后的数据集维度:",x.data.size(),y.data.size()) #将Tensor放入Variable中 x,y=Variable(x),Variable(y) #载入模型和参数 defrestore_net(): net=torch.load('net.pkl') #获得载入模型的预测输出 pred=net(x) #获得当前softmax层最大概率对应的索引值 pred=torch.max(F.softmax(pred),1)[1] #将二维压缩为一维 pred_y=pred.data.numpy().squeeze() label_y=y.data.numpy() accuracy=sum(pred_y==label_y)/y.size() print("准确率为:",accuracy) plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=pred_y,cmap='RdYlGn') plt.show() #仅载入模型参数,需要先创建网络模型 defrestore_param(): net=torch.nn.Sequential( torch.nn.Linear(2,10),#指定输入层和隐层结点,获得隐层线性输出 torch.nn.ReLU(),#隐层非线性化 torch.nn.Linear(10,2)#指定隐层和输出层结点,获得输出层线性输出 ) net.load_state_dict(torch.load('net_param.pkl')) #获得载入模型的预测输出 pred=net(x) #获得当前softmax层最大概率对应的索引值 pred=torch.max(F.softmax(pred),1)[1] #将二维压缩为一维 pred_y=pred.data.numpy().squeeze() label_y=y.data.numpy() accuracy=sum(pred_y==label_y)/y.size() print("准确率为:",accuracy) plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=pred_y,cmap='RdYlGn') plt.show() if__name__=='__main__': #restore_net() restore_param()
以上这篇Pytorch实现神经网络的分类方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。