Pytorch实现神经网络的分类方式
作者:attitude_yu 发布时间:2021-02-26 05:20:47
标签:Pytorch,神经网络,分类
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
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) )
#5.设置损失函数
loss_func = torch.nn.CrossEntropyLoss()
plt.ion()#打开画布,可视化更新过程
#6.迭代训练
for epoch in range(2):
for step, (batch_x, batch_y) in enumerate(loader):
out = net(batch_x)#输入训练集,获得当前迭代输出值
loss = loss_func(out, batch_y)#获得当前迭代的损失
optimizer.zero_grad()#清除上次迭代的更新梯度
loss.backward()#反向传播
optimizer.step()#更新权重
if step%200==0:
plt.cla()#清空之前画布上的内容
entire_out = net(x)#测试整个训练集
#获得当前softmax层最大概率对应的索引值
pred = torch.max(F.softmax(entire_out), 1)[1]
#将二维压缩为一维
pred_y = pred.data.numpy().squeeze()
label_y = y.data.numpy()
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn')
accuracy = sum(pred_y == label_y)/y.size()
print("第 %d 个epoch,第 %d 次迭代,准确率为 %.2f"%(epoch+1, step/200+1, accuracy))
#在指定位置添加文本
plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 15, 'color': 'red'})
plt.pause(2)#图像显示时间
#7.保存模型结构和参数
torch.save(net, 'net.pkl')
#7.只保存模型参数
# torch.save(net.state_dict(), 'net_param.pkl')
plt.ioff()#关闭画布
plt.show()
if __name__ == '__main__':
save()
2. 读取已训练好的模型测试数据
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
#制作数据
n_data = torch.ones( 100,2 )
x0 = torch.normal( 1.5*n_data, 1 )#均值为2 标准差为1
y0 = torch.zeros( 100 )
x1 = torch.normal( -1.5*n_data,1 )#均值为-2 标准差为1
y1 = torch.ones( 100 )
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() )
#将Tensor放入Variable中
x,y = Variable(x), Variable(y)
#载入模型和参数
def restore_net():
net = torch.load('net.pkl')
#获得载入模型的预测输出
pred = net(x)
# 获得当前softmax层最大概率对应的索引值
pred = torch.max(F.softmax(pred), 1)[1]
# 将二维压缩为一维
pred_y = pred.data.numpy().squeeze()
label_y = y.data.numpy()
accuracy = sum(pred_y == label_y) / y.size()
print("准确率为:",accuracy)
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn')
plt.show()
#仅载入模型参数,需要先创建网络模型
def restore_param():
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
)
net.load_state_dict( torch.load('net_param.pkl') )
#获得载入模型的预测输出
pred = net(x)
# 获得当前softmax层最大概率对应的索引值
pred = torch.max(F.softmax(pred), 1)[1]
# 将二维压缩为一维
pred_y = pred.data.numpy().squeeze()
label_y = y.data.numpy()
accuracy = sum(pred_y == label_y) / y.size()
print("准确率为:",accuracy)
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn')
plt.show()
if __name__ =='__main__':
# restore_net()
restore_param()
来源:https://blog.csdn.net/attitude_yu/article/details/80487423
0
投稿
猜你喜欢
- 本文实例为大家分享了python批量转换图片为黑白的具体代码,供大家参考,具体内容如下用到的库:OpenCV、osimport cv2imp
- canal简介由阿里巴巴开源 github地址:https://github.com/alibaba/canalCanal是阿里巴巴开源的一
- 一、简介Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中,就像真正的用户在操作一样。支持的浏览器包
- 在我们学习的过程中会遇到这么样的问题,就是在我们学习的过程中会发现需要分页处理,这里呢,给大家介绍书上说的分页。@app.route(
- 常用快捷键全部快捷键1、编辑(Editing)2、查找/替换(Search/Replace)3、运行(Running)4、调试(Debugg
- 1、定义具名元组需要2个参数,第1个参数是类名,第2个参数是字段名,既可以是可迭代对象(如列表和元组),也可以是空格间隔的字符串:Card
- 本代码实现的是,在旋转10度的基础上,再进行增加对比度的操作。1 代码:代码注释中的代码都是可以运行的. 但是不怎么靠谱,因为文
- 先来看看基本的定义:channel是Go语言中的一个核心类型,可以把它看成管道。并发核心单元通过它就可以发送或者接收数据进行通讯,这在一定程
- 函数可以参考:<% '注册论坛用户,参数说明 'username 用户登录名称 
- 将单引号替换为双引号1、若对象为字符串str = "{'err_no': 0,'err_str':
- 1引言实现磁带备份数据的功能有两方面的困难:首先,SQL Server(以下简称SQL)所提供的数据库的整体备份及恢复功能不能直接满足本系统
- django-pipeline 是一个 Django 下非常方便的静态资源管理 app,尤其是 1.2 版本之后,利用 djan
- 一、基础环境准备windows环境:Pycharmpython3.6Django2.0.1Mysql5.7安装django 在pycharm
- 市场上很多火车票抢票软件大家应该非常熟悉,但很少有人研究具体是怎么实现的,所以觉得很神秘,其实很简单。下面使用Python模拟抢票程序,给大
- 程序运行,产生如下结果,然后进程终止,导致这一结果的原因很有可能是内存 * 。当两个较大的 (e.g., 10000*10000 维)ndar
- 在python中,我们定义好一个字符串,如下所示。在python中定义个字符串然后把它赋值给一个变量。我们可以通过下标访问单个的字符,跟所有
- 字符串类型代码的执行字符串类型代码的执行函数有三个,都是Python的内置函数。eval()执行字符串类型的代码,并返回最终结果。exec(
- 今天我们来探索python中大部分的异常报错首先异常是什么,异常白话解释就是不正常,程序里面一般是指程序员输入的格式不规范,或者需求的参数类
- 这几天想统计一下《中国人文社会科学期刊 AMI 综合评价报告(2018 年):A 刊评价报告》中的期刊,但是只找到了该报告的PDF版,对于表
- 接口测试中,上传文件的测试场景非常常见。例如:上传头像(图片)、上传文件、上传视频等。下面以一个上传图片的例子为大家讲解如何通过 pytho