Pytorch实现神经网络的分类方式
更新时间:2020年4月29日 13:19 点击:2056
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()
以上这篇Pytorch实现神经网络的分类方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持猪先飞。
相关文章
- 本文实例讲述了JS+CSS实现分类动态选择及移动功能效果代码。分享给大家供大家参考,具体如下:这是一个类似选项卡功能的选择插件,与普通的TAb区别是加入了动画效果,多用于商品类网站,用作商品分类功能,不过其它网站也可以用,...2015-10-21
pytorch nn.Conv2d()中的padding以及输出大小方式
今天小编就为大家分享一篇pytorch nn.Conv2d()中的padding以及输出大小方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-27- 这篇文章主要介绍了PyTorch一小时掌握之迁移学习篇,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下...2021-09-08
Linux安装Pytorch1.8GPU(CUDA11.1)的实现
这篇文章主要介绍了Linux安装Pytorch1.8GPU(CUDA11.1)的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...2021-03-25- 无限级分类在开发中经常使用,例如:部门结构、文章分类。无限级分类的难点在于“输出”和“查询”,例如 将文章分类输出为<ul>列表形式; 查找分类A下面所有分类包含的文章。1.实现原理 几种常见的实现方法,各有利弊。其中...2015-10-23
- 在一些复杂的系统中,要求对信息栏目进行无限级的分类,以增强系统的灵活性。那么PHP是如何实现无限级分类的呢?我们在本文中使用递归算法并结合mysql数据表实现无限级分类。 递归,简单的说就是一段程序代码的重复调用,当把...2015-10-23
- 这篇文章主要介绍了Pytorch之扩充tensor的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-03-05
- 今天小编就为大家分享一篇pytorch 自定义卷积核进行卷积操作方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-06
- ecshop商品无限级分类代码 function cat_options($spec_cat_id, $arr) { static $cat_options = array(); if (isset($cat_options[$spec_cat_id]))...2016-11-25
- 这篇文章主要介绍了解决pytorch 交叉熵损失输出为负数的问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-07-08
pytorch绘制并显示loss曲线和acc曲线,LeNet5识别图像准确率
今天小编就为大家分享一篇pytorch绘制并显示loss曲线和acc曲线,LeNet5识别图像准确率,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-02- 这篇文章主要介绍了pytorch 实现冻结部分参数训练另一部分,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-03-27
从Pytorch模型pth文件中读取参数成numpy矩阵的操作
这篇文章主要介绍了从Pytorch模型pth文件中读取参数成numpy矩阵的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-03-04Pytorch 的损失函数Loss function使用详解
今天小编就为大家分享一篇Pytorch 的损失函数Loss function使用详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-02- 一、数据库设计 -- -- Table structure for table `category` -- CREATE TABLE `category` ( `id` int(11) NOT NULL auto_increment, `catpath` varchar(255) default NULL, `name` varchar(255) default NULL...2015-11-08
- 今天小编就为大家分享一篇pytorch中的上采样以及各种反操作,求逆操作详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-30
- 这篇文章主要介绍了基于Pytorch版yolov5的滑块验证码破解思路详解,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下...2021-02-25
pytorch中交叉熵损失(nn.CrossEntropyLoss())的计算过程详解
今天小编就为大家分享一篇pytorch中交叉熵损失(nn.CrossEntropyLoss())的计算过程详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-02- 这篇文章主要介绍了Python深度学习之简单实现猫狗图像分类,文中有非常详细的代码示例,对正在学习python的小伙伴们有非常好的帮助,需要的朋友可以参考下...2021-04-29
- 这篇文章主要介绍了pytorch深度学习中对softmax实现进行了详细解析,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步...2021-09-30