初識 pytorch 分類問題，梳理流程

涉及內容：

• 數據準備：在平面內構造兩類點
• 定義神經網絡結構
• 優化器和損失函數
• 訓練
• 模型保存和提取

效果展示：

代碼展示：

# coding=utf-8
import os
import sys
import torch
import torch.nn.functional as F  # 拿到激勵函數
import matplotlib.pyplot as plt

# 數據準備，預處理
n_data = torch.ones(100, 2) # 100行2列
x0 = torch.normal(2 * n_data, 1) # 100行2列
y0 = torch.zeros(100) # 第一類 全0
x1 = torch.normal(-2 * n_data, 1)
y1 = torch.ones(100) # 第二類 全1
x = torch.cat((x0, x1), 0)
y = torch.cat((y0, y1), )

x = torch.Tensor(x)
y = torch.Tensor(y).long()

# print(y)
# 打印散點圖
# plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, linewidths=0)
# plt.show()

# 定義神經網絡結構
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super().__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden) # layer
        self.predict = torch.nn.Linear(n_hidden, n_output) # layer

    def forward(self, x): # 前向計算
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

net = Net(2, 6, 2) # 輸入2個特徵(座標)，輸出也是2個特徵(標籤，獨熱編碼)

# # net 也可以定義如下：
# net = torch.nn.Sequential(
#     torch.nn.Linear(2, 6),
#     torch.nn.ReLU(),
#     torch.nn.Linear(6, 2),
# )
print(net)

# 隨機梯度下降
omptimzer = torch.optim.SGD(net.parameters(), lr=0.01) # 網絡的所有參數，和學習率
loss_func = torch.nn.CrossEntropyLoss() # 交叉熵 輸出每個類型的概率，取最大的

# 可視化
plt.ion() # 設置可以實時顯示
plt.show()

# 訓練網絡，訓練1000次
for t in range(1000):
    out = net(x)
    loss = loss_func(out, y) # 誤差

    omptimzer.zero_grad() # 先將所有參數的梯度每次置零
    loss.backward() # 誤差反向傳播，計算所有節點的梯度
    omptimzer.step() # 用上面的計算值，以學習率爲lr，來優化參數

    if t % 50 == 0:
        plt.cla()
        prediction = torch.max(F.softmax(out), 1)[1] # 預測的標籤值
        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, linewidths=0)
        plt.pause(0.1)
        print(f't:{t}, {loss.tolist()}') # 打印誤差

plt.ioff()
plt.show()

# 保存神經網絡
save_path = os.path.join(sys.path[0], "classification-modle.pth")
torch.save(net, save_path) # 方式一：保存整個神經網絡，結構和參數
# torch.save(net.state_dict(), save_path) # 方式二：只保留參數

# 提取網絡
# 方式一：
new_net = torch.load(save_path)
# # 方式二：
# new_net = Net()
# new_net.load_state_dict(torch.load(save_path))

參考莫煩pytorch教程：https://space.bilibili.com