Pytorch实现神经网络的分类方式_pytroch二分类

Pytorch

神经网络

158 浏览量更新于2023-05-11 评论收藏 58KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Pytorch实现神经网络的分类方式实现神经网络的分类方式

今天小编就为大家分享一篇Pytorch实现神经网络的分类方式，具有很好的参考价值，希望对大家有所帮助。一

起跟随小编过来看看吧

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训练神经网络分类模型

import torch

from torch.autograd import Variable

import matplotlib.pyplot as plt

import torch.nn.functional as F

import torch.utils.data as Data

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batch size

#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batch size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batch size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batch size

shuffle=True,#打乱数据

num_workers=2#多线程读取数据

)

#2.前向传播过程

class Net(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

def forward(self, x):

x = F.relu(self.hidden(x))

x = self.out(x)

return x

# 训练模型的同时保存网络模型参数

def save():

#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) )

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

weixin_38639642

粉丝: 9
资源: 894

会员权益专享

Pytorch实现神经网络的分类方式

评论0

会员权益专享

最新资源

Pytorch实现神经网络的分类方式

评论0

Python-HiddenLayer面向PyTorchTensorflow的神经网络图和训练度量的轻量库

Pytorch 实现自己的残差网络图片分类器

3.2 Classification 分类 (PyTorch tutorial 神经网络 教学)

PyTorch实现神经网络分类器

2. 使用pytorch实现神经网络分类，使用两个隐藏层（不包括输出层），第一层大小为10，第二层为6，使用relu作为激活函数

pytorch对抗神经网络

pytorch神经网络实例

pytorch分类神经网络代码

使用pytorch实现图像分类

胶囊网络 pytorch实现 文本分类

pytorch神经网络实战

pytorch实现花卉图像分类代码

胶囊网络 pytorch实现

pytorch bp神经网络

数据集的第一列（Diabetes_012）是类别标签 考试内容2. 使用pytorch实现神经网络分类，使用两个隐藏层（不包括输出层），第一层大小为10，第二层为6，使用relu作为激活函数

用pytorch实现图神经网络对于时空图的分类

pytorch实现多分类

bp神经网络pytorch

pytorch实现cnn svm多分类

pytorch实现空洞卷积神经网络

会员权益专享

最新资源

3.2 Classification 分类 (PyTorch tutorial 神经网络教学)

胶囊网络 pytorch实现文本分类

数据集的第一列（Diabetes_012）是类别标签考试内容2. 使用pytorch实现神经网络分类，使用两个隐藏层（不包括输出层），第一层大小为10，第二层为6，使用relu作为激活函数