PyTorch基本用法(六)——快速搭建网络

来源：互联网发布：青岛网络游戏软件开发编辑：程序博客网时间：2024/06/06 09:26

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 torchimport matplotlib.pyplot as pltimport torch.nn.functional as Ffrom 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LongTensory = 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gradx, 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

阅读全文

0 0