写一个带数据的有监督二元分类的PyTorch 模型
时间: 2023-05-11 18:03:31 浏览: 69
好的,我可以回答这个问题。以下是一个简单的带数据的有监督二元分类的 PyTorch 模型的示例代码:
```python
import torch
import torch.nn as nn
import torch.optim as optim
# 定义模型
class BinaryClassifier(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(BinaryClassifier, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_size, output_size)
self.sigmoid = nn.Sigmoid()
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
out = self.sigmoid(out)
return out
# 定义数据
train_data = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
train_labels = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)
# 定义超参数
input_size = 2
hidden_size = 5
output_size = 1
learning_rate = 0.1
num_epochs = 1000
# 初始化模型和优化器
model = BinaryClassifier(input_size, hidden_size, output_size)
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)
# 训练模型
for epoch in range(num_epochs):
# 前向传播
outputs = model(train_data)
loss = criterion(outputs, train_labels)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 打印训练信息
if (epoch+1) % 100 == 0:
print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
# 测试模型
test_data = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
with torch.no_grad():
test_outputs = model(test_data)
test_predictions = (test_outputs >= 0.5).float()
print('Test Predictions: {}'.format(test_predictions))
```
这个模型使用了一个包含一个隐藏层的神经网络,使用了 ReLU 和 Sigmoid 激活函数,以及二元交叉熵损失函数和随机梯度下降优化器。训练数据包括四个样本,每个样本有两个特征,标签为 0 或 1。模型训练完成后,使用测试数据进行测试,并输出预测结果。