PyTorch上搭建簡單神經網絡實現回歸和分類的示例

來源：懂視網責編：小采時間：2020-11-27 14:12:30

PyTorch上搭建簡單神經網絡實現回歸和分類的示例

PyTorch上搭建簡單神經網絡實現回歸和分類的示例:本篇文章主要介紹了PyTorch上搭建簡單神經網絡實現回歸和分類的示例，現在分享給大家，也給大家做個參考。一起過來看看吧本文介紹了PyTorch上搭建簡單神經網絡實現回歸和分類的示例，分享給大家，具體如下：一、PyTorch入門1. 安裝方法登錄PyTorch官網

推薦度：

點擊下載本文 文檔為doc格式

導讀PyTorch上搭建簡單神經網絡實現回歸和分類的示例:本篇文章主要介紹了PyTorch上搭建簡單神經網絡實現回歸和分類的示例，現在分享給大家，也給大家做個參考。一起過來看看吧本文介紹了PyTorch上搭建簡單神經網絡實現回歸和分類的示例，分享給大家，具體如下：一、PyTorch入門1. 安裝方法登錄PyTorch官網

4. 激勵函數activationfunction

Torch的激勵函數都在torch.nn.functional中，relu,sigmoid, tanh, softplus都是常用的激勵函數。

相關代碼：

import torch 
import torch.nn.functional as F 
from torch.autograd import Variable 
import matplotlib.pyplot as plt 
 
x = torch.linspace(-5, 5, 200) 
x_variable = Variable(x) #將x放入Variable 
x_np = x_variable.data.numpy() 
 
# 經過4種不同的激勵函數得到的numpy形式的數據結果 
y_relu = F.relu(x_variable).data.numpy() 
y_sigmoid = F.sigmoid(x_variable).data.numpy() 
y_tanh = F.tanh(x_variable).data.numpy() 
y_softplus = F.softplus(x_variable).data.numpy() 
 
plt.figure(1, figsize=(8, 6)) 
 
plt.subplot(221) 
plt.plot(x_np, y_relu, c='red', label='relu') 
plt.ylim((-1, 5)) 
plt.legend(loc='best') 
 
plt.subplot(222) 
plt.plot(x_np, y_sigmoid, c='red', label='sigmoid') 
plt.ylim((-0.2, 1.2)) 
plt.legend(loc='best') 
 
plt.subplot(223) 
plt.plot(x_np, y_tanh, c='red', label='tanh') 
plt.ylim((-1.2, 1.2)) 
plt.legend(loc='best') 
 
plt.subplot(224) 
plt.plot(x_np, y_softplus, c='red', label='softplus') 
plt.ylim((-0.2, 6)) 
plt.legend(loc='best') 
 
plt.show()

二、PyTorch實現回歸

先看完整代碼：

import torch 
from torch.autograd import Variable 
import torch.nn.functional as F 
import matplotlib.pyplot as plt 
 
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 將1維的數據轉換為2維數據 
y = x.pow(2) + 0.2 * torch.rand(x.size()) 
 
# 將tensor置入Variable中 
x, y = Variable(x), Variable(y) 
 
#plt.scatter(x.data.numpy(), y.data.numpy()) 
#plt.show() 
 
# 定義一個構建神經網絡的類 
class Net(torch.nn.Module): # 繼承torch.nn.Module類 
 def __init__(self, n_feature, n_hidden, n_output): 
 super(Net, self).__init__() # 獲得Net類的超類（父類）的構造方法 
 # 定義神經網絡的每層結構形式 
 # 各個層的信息都是Net類對象的屬性 
 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隱藏層線性

輸出 self.predict = torch.nn.Linear(n_hidden, n_output) # 輸出層線性輸出 # 將各層的神經元搭建成完整的神經網絡的前向通路 def forward(self, x): x = F.relu(self.hidden(x)) # 對隱藏層的輸出進行relu激活 x = self.predict(x) return x # 定義神經網絡 net = Net(1, 10, 1) print(net) # 打印輸出net的結構 # 定義優化器和損失函數 optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # 傳入網絡參數和學習率 loss_function = torch.nn.MSELoss() # 最小均方誤差 # 神經網絡訓練過程 plt.ion() # 動態學習過程展示 plt.show() for t in range(300): prediction = net(x) # 把數據x喂給net，輸出預測值 loss = loss_function(prediction, y) # 計算兩者的誤差，要注意兩個參數的順序 optimizer.zero_grad() # 清空上一步的更新參數值 loss.backward() # 誤差反相傳播，計算新的更新參數值 optimizer.step() # 將計算得到的更新值賦給net.parameters() # 可視化訓練過程 if (t+1) % 10 == 0: plt.cla() plt.scatter(x.data.numpy(), y.data.numpy()) plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) plt.text(0.5, 0, 'L=%.4f' % loss.data[0], fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1)

首先創建一組帶噪聲的二次函數擬合數據，置于Variable中。定義一個構建神經網絡的類Net，繼承torch.nn.Module類。Net類的構造方法中定義輸入神經元、隱藏層神經元、輸出神經元數量的參數，通過super()方法獲得Net父類的構造方法，以屬性的方式定義Net的各個層的結構形式；定義Net的forward()方法將各層的神經元搭建成完整的神經網絡前向通路。

定義好Net類后，定義神經網絡實例，Net類實例可以直接print打印輸出神經網絡的結構信息。接著定義神經網絡的優化器和損失函數。定義好這些后就可以進行訓練了。optimizer.zero_grad()、loss.backward()、optimizer.step()分別是清空上一步的更新參數值、進行誤差的反向傳播并計算新的更新參數值、將計算得到的更新值賦給net.parameters()。循環迭代訓練過程。

運行結果：

Net (

(hidden): Linear (1 -> 10)

(predict): Linear (10 -> 1)

)

三、PyTorch實現簡單分類

完整代碼：

import torch 
from torch.autograd import Variable 
import torch.nn.functional as F 
import matplotlib.pyplot as plt 
 
# 生成數據 
# 分別生成2組各100個數據點，增加正態噪聲，后標記以y0=0 y1=1兩類標簽，最后cat連接到一起 
n_data = torch.ones(100,2) 
# torch.normal(means, std=1.0, out=None) 
x0 = torch.normal(2*n_data, 1) # 以tensor的形式給出

輸出tensor各元素的均值，共享標準差 y0 = torch.zeros(100) x1 = torch.normal(-2*n_data, 1) y1 = torch.ones(100) x = torch.cat((x0, x1), 0).type(torch.FloatTensor) # 組裝（連接） y = torch.cat((y0, y1), 0).type(torch.LongTensor) # 置入Variable中 x, y = Variable(x), Variable(y) class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.hidden = torch.nn.Linear(n_feature, n_hidden) self.out = torch.nn.Linear(n_hidden, n_output) def forward(self, x): x = F.relu(self.hidden(x)) x = self.out(x) return x net = Net(n_feature=2, n_hidden=10, n_output=2) print(net) optimizer = torch.optim.SGD(net.parameters(), lr=0.012) loss_func = torch.nn.CrossEntropyLoss() plt.ion() plt.show() for t in range(100): out = net(x) loss = loss_func(out, y) # loss是定義為神經網絡的輸出與樣本標簽y的差別，故取softmax前的值 optimizer.zero_grad() loss.backward() optimizer.step() if t % 2 == 0: plt.cla() # 過了一道 softmax 的激勵函數后的最大概率才是預測值 # torch.max既返回某個維度上的最大值，同時返回該最大值的索引值 prediction = torch.max(F.softmax(out), 1)[1] # 在第1維度取最大值并返回索引值 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') accuracy = sum(pred_y == target_y)/200 # 預測中有多少和真實值一樣 plt.text(1.5, -4, 'Accu=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1) plt.ioff() plt.show()

神經網絡結構部分的Net類與前文的回歸部分的結構相同。

需要注意的是，在循環迭代訓練部分，out定義為神經網絡的輸出結果，計算誤差loss時不是使用one-hot形式的，loss是定義在out與y上的torch.nn.CrossEntropyLoss()，而預測值prediction定義為out經過Softmax后（將結果轉化為概率值）的結果。

運行結果：

Net (

(hidden): Linear (2 -> 10)

(out):Linear (10 -> 2)

)

四、補充知識

1. super()函數

在定義Net類的構造方法的時候，使用了super(Net,self).__init__()語句，當前的類和對象作為super函數的參數使用，這條語句的功能是使Net類的構造方法獲得其超類（父類）的構造方法，不影響對Net類單獨定義構造方法，且不必關注Net類的父類到底是什么，若需要修改Net類的父類時只需修改class語句中的內容即可。

2. torch.normal()

torch.normal()可分為三種情況：（1）torch.normal(means,std, out=None)中means和std都是Tensor，兩者的形狀可以不必相同，但Tensor內的元素數量必須相同，一一對應的元素作為輸出的各元素的均值和標準差；（2）torch.normal(mean=0.0, std, out=None)中mean是一個可定義的float，各個元素共享該均值；（3）torch.normal(means,std=1.0, out=None)中std是一個可定義的float，各個元素共享該標準差。

3. torch.cat(seq, dim=0)

torch.cat可以將若干個Tensor組裝連接起來，dim指定在哪個維度上進行組裝。

4. torch.max()

（1）torch.max(input)→ float

input是tensor，返回input中的最大值float。

（2）torch.max(input,dim, keepdim=True, max=None, max_indices=None) -> (Tensor, LongTensor)

同時返回指定維度=dim上的最大值和該最大值在該維度上的索引值。

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com