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。