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) )
评论0