更多机器学习知识请查收于： https://blog.csdn.net/weixin_45316122/article/details/110865833
Trick：纯demo，心在哪里，结果就在那里
trick:一年没用torch我都以为自己忘了，要什么功能只能现查了，现在的目标是主tf2.x和keras，会用tf1.x
# -*- coding: utf-8 -*- # Author : szy # Create Date : 2019/10/25 # step1:建立数据集 import torch import matplotlib.pyplot as plt # 假数据 n_data = torch.ones(100, 2) # 数据的基本形态 x0 = torch.normal(2*n_data, 1) # 类型0 x data (tensor), shape=(100, 2) y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, ) x1 = torch.normal(-2*n_data, 1) # 类型1 x data (tensor), shape=(100, 1) y1 = torch.ones(100) # 类型1 y data (tensor), shape=(100, ) # 注意 x, y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据) 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 # 画图 plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn') # plt.scatter(x.data.numpy(), y.data.numpy()) # """raise ValueError("x and y must be the same size") # ValueError: x and y must be the same size # # """ plt.show() # step2:建立神经网络 import torch import torch.nn.functional as F # 激励函数都在这 class Net(torch.nn.Module): # 继承 torch 的 Module def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 继承 __init__ 功能 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出 self.out = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出 def forward(self, x): # 正向传播输入值, 神经网络分析出输出值 x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值) x = self.out(x) # 输出值, 但是这个不是预测值, 预测值还需要再另外计算 return x net = Net(n_feature=2, n_hidden=10, n_output=2) # 几个类别就几个 output print(net) # net 的结构 #训练网络 # optimizer 是训练的工具 optimizer = torch.optim.SGD(net.parameters(), lr=0.02) # 传入 net 的所有参数, 学习率 # 算误差的时候, 注意真实值!不是! one-hot 形式的, 而是1D Tensor, (batch,) # 但是预测值是2D tensor (batch, n_classes) loss_func = torch.nn.CrossEntropyLoss() for t in range(100): out = net(x) # 喂给 net 训练数据 x, 输出分析值 loss = loss_func(out, y) # 计算两者的误差 optimizer.zero_grad() # 清空上一步的残余更新参数值 loss.backward(retain_graph=True) # 误差反向传播, 计算参数更新值 optimizer.step() # 将参数更新值施加到 net 的 parameters 上 # 可视化训练过程 import matplotlib.pyplot as plt plt.ion() # 画图 plt.show() for t in range(100): ... # loss.backward(retain_graph=True) # print(loss) loss.backward() optimizer.step() # # if t % 2 == 0: # plt.cla() # # 过了一道 softmax 的激励函数后的最大概率才是预测值 # 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. # 预测中有多少和真实值一样 # plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'}) # plt.pause(0.1) # # plt.ioff() # 停止画图 # plt.show()
