| 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273 |
- import torch
- import torch.nn as nn
- '''
- 使用正态分布随机生成两类数据
- 第一类有100个点，使用均值为2，标准差为1的正态分布随机生成，标签为0。
- 第二类有100个点，使用均值为-2，标准差为1的正态分布随机生成，标签为1。
- torch.normal(tensor1,tensor2)
- 输入两个张量，tensor1为正态分布的均值，tensor2为正态分布的标准差。
- torch.normal以此抽取tensor1和tensor2中对应位置的元素值构造对应的正态分布以随机生成数据，返回数据张量。
- '''
- x1_t = torch.normal(2*torch.ones(100,2),1)
- y1_t = torch.zeros(100)
- x2_t = torch.normal(-2*torch.ones(100,2),1)
- y2_t = torch.ones(100)
- x_t = torch.cat((x1_t,x2_t),0)
- y_t = torch.cat((y1_t,y2_t),0)
- '''
- 搭建神经网络，
- 输入层包括2个节点，两个隐层均包含5个节点，输出层包括1个节点。
- '''
- net = nn.Sequential(
- nn.Linear(2,5), # 输入层与第一隐层结点数设置，全连接结构
- torch.nn.Sigmoid(), # 第一隐层激活函数采用sigmoid
- nn.Linear(5,5), # 第一隐层与第二隐层结点数设置，全连接结构
- torch.nn.Sigmoid(), # 第一隐层激活函数采用sigmoid
- nn.Linear(5,2), # 第二隐层与输出层层结点数设置，全连接结构
- nn.Softmax(dim=1) # 由于有两个概率输出，因此对其使用Softmax进行概率归一化
- )
- print(net)
- '''
- Sequential(
- (0): Linear(in_features=2, out_features=5, bias=True)
- (1): Sigmoid()
- (2): Linear(in_features=5, out_features=5, bias=True)
- (3): Sigmoid()
- (4): Linear(in_features=5, out_features=2, bias=True)
- (5): Softmax(dim=1)
- )'''
- # 配置损失函数和优化器
- optimizer = torch.optim.SGD(net.parameters(),lr=0.01) # 优化器使用随机梯度下降，传入网络参数和学习率
- loss_func = torch.nn.CrossEntropyLoss() # 损失函数使用交叉熵损失函数
- # 模型训练
- num_epoch = 10000 # 最大迭代更新次数
- for epoch in range(num_epoch):
- y_p = net(x_t) # 喂数据并前向传播
- loss = loss_func(y_p,y_t.long()) # 计算损失
- '''
- PyTorch默认会对梯度进行累加，因此为了不使得之前计算的梯度影响到当前计算，需要手动清除梯度。
- pyTorch这样子设置也有许多好处，但是由于个人能力，还没完全弄懂。
- '''
- optimizer.zero_grad() # 清除梯度
- loss.backward() # 计算梯度，误差回传
- optimizer.step() # 根据计算的梯度，更新网络中的参数
- if epoch % 1000 == 0:
- print('epoch: {}, loss: {}'.format(epoch, loss.data.item()))
- '''
- torch.max(y_p,dim = 1)[0]是每行最大的值
- torch.max(y_p,dim = 1)[0]是每行最大的值的下标，可认为标签
- '''
- print("所有样本的预测标签: \n",torch.max(y_p,dim = 1)[1])
|
