文章作者：Tyan
博客：noahsnail.com | CSDN | 简书
本文主要是关于PyTorch的一些用法。
import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F
from torch.autograd import Variable
# 许多没解释的东西可以去查文档, 文档中都有, 已查过
# pytorch文档: http://pytorch.org/docs/master/index.html
# matplotlib文档: https://matplotlib.org/
# 随机算法的生成种子
torch.manual_seed(1)
# 生成数据
n_data = torch.ones(100, 2)
# 类别一的数据
x0 = torch.normal(2 * n_data, 1)
# 类别一的标签
y0 = torch.zeros(100)
# 类别二的数据
x1 = torch.normal(-2 * n_data, 1)
# 类别二的标签
y1 = torch.ones(100)
# x0, x1连接起来, 按维度0连接, 并指定数据的类型
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)
# y0, y1连接, 由于只有一维, 因此没有指定维度, torch中标签类型必须为LongTensor
y = torch.cat((y0, y1), ).type(torch.LongTensor)
# x,y 转为变量, torch只支持变量的训练, 因为Variable中有grad
x, y = Variable(x), Variable(y)
# 绘制数据散点图
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c = y.data.numpy(), s = 100, lw = 0, cmap = 'RdYlGn')
plt.show()
png
# 快速搭建分类网络
net = torch.nn.Sequential(
torch.nn.Linear(2, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 2))
print(net)
Sequential (
(0): Linear (2 -> 10)
(1): ReLU ()
(2): Linear (10 -> 2)
)
# 定义优化方法
optimizer = torch.optim.SGD(net.parameters(), lr = 0.02)
# 定义损失函数
loss_func = torch.nn.CrossEntropyLoss()
plt.ion()
# 训练过程
for i in xrange(100):
prediction = net(x)
loss = loss_func(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if i % 2 == 0:
plt.cla()
# 获取概率最大的类别的索引
prediction = torch.max(F.softmax(prediction), 1)[1]
# 将输出结果变为一维
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, lw = 0, cmap = 'RdYlGn')
# 计算准确率
accuracy = sum(pred_y == target_y) / 200.0
plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict = {'size': 10, 'color': 'red'})
plt.pause(0.1)
plt.ioff()
plt.show()
png
