鸢尾花分类预测 pytorch

在PyTorch中，鸢尾花分类预测通常是一个用于入门深度学习的经典案例，特别是对于初学者来说，因为它数据集较小，模型结构简单。鸢尾花数据集（Iris dataset）包含三种不同种类的鸢尾花特征，如花瓣长度、宽度等，目标是根据这些特征预测其所属的鸢尾花类别。

首先，你需要加载这个数据集，可以使用scikit-learn库提供。然后，将数据预处理成PyTorch所需的张量格式。接着，你可以构建一个基础的神经网络模型，比如全连接层或多层感知机（MLP），作为分类器。训练过程包括定义损失函数（如交叉熵）、优化器（如SGD或Adam）以及迭代训练和验证。

以下是一个简单的示例：

import torch
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from torch.utils.data import TensorDataset, DataLoader

# 加载数据并划分训练集和测试集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

# 将数据转化为PyTorch张量
X_train_tensor = torch.tensor(X_train, dtype=torch.float)
y_train_tensor = torch.tensor(y_train, dtype=torch.long)
X_test_tensor = torch.tensor(X_test, dtype=torch.float)
y_test_tensor = torch.tensor(y_test, dtype=torch.long)

# 创建数据加载器
train_data = TensorDataset(X_train_tensor, y_train_tensor)
test_data = TensorDataset(X_test_tensor, y_test_tensor)
train_loader = DataLoader(train_data, batch_size=8, shuffle=True)
test_loader = DataLoader(test_data, batch_size=len(X_test))

# 构建模型，这里假设是两个隐藏层的MLP
model = torch.nn.Sequential(
    torch.nn.Linear(4, 6), # 输入维度4到隐层维度6
    torch.nn.ReLU(),
    torch.nn.Linear(6, 3), # 隐层维度到类别数3
    torch.nn.Softmax(dim=1) # 输出层softmax
)

# 损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 50
for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad() # 清零梯度
        outputs = model(inputs) # 前向传播
        loss = criterion(outputs, labels) # 计算损失
        loss.backward() # 反向传播
        optimizer.step() # 更新权重

# 测试模型性能
model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for inputs, labels in test_loader:
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print(f"Test accuracy: {accuracy}%")