看了Movan大佬的文字教程让我对pytorch的基本使用有了一定的了解,下面简单介绍一下二分类用pytorch的基本实现！
希望详细的注释能够对像我一样刚入门的新手来说有点帮助！
import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
from torch.autograd import Variable
n_data = torch.ones(100,2) #生成一个100行2列的全1矩阵
x0 = torch.normal(2*n_data,1)#利用100行两列的全1矩阵产生一个正态分布的矩阵均值和方差分别是(2*n_data,1)
y0 = torch.zeros(100)#给x0标定标签确定其分类0
x1 = torch.normal(-2*n_data,1) #利用同样的方法产生第二个数据类别
y1 = torch.ones(100)#但是x1数据类别的label就标定为1
x = torch.cat((x0,x1),0).type(torch.FloatTensor)#cat方法就是将两个数据样本聚合在一起(x0,x1),0这个属性就是第几个维度进行聚合
y = torch.cat((y0,y1),).type(torch.LongTensor)#y也是一样
x = Variable(x)#将它们装载到Variable的容器里
y = Variable(y)#将它们装载到Variable的容器里
#plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=y.data.numpy(),s=100,lw=0,cmap='RdYlGn')
#plt.show()
class Net(torch.nn.Module):#开始搭建一个神经网络
def __init__(self,n_feature,n_hidden,n_output):#神经网络初始化，设置输入曾参数，隐藏曾参数，输出层参数
super(Net,self).__init__()#用super函数调用父类的通用初始化函数初始一下
self.hidden = torch.nn.Linear(n_feature,n_hidden)#设置隐藏层的输入输出参数，比如说输入是n_feature,输出是n_hidden
self.out = torch.nn.Linear(n_hidden,n_output)#同样设置输出层的输入输出参数
def forward(self,x):#前向计算过程
x = F.relu(self.hidden(x)) #样本数据经过隐藏层然后被Relu函数掰弯！
x = self.out(x)经过输出层返回
return x
net = Net(n_feature=2,n_hidden=10,n_output=2) #two classification has two n_features#实例化一个网络结构
print(net)
optimizer = torch.optim.SGD(net.parameters(),lr=0.02) #设置优化器参数,lr=0.002指的是学习率的大小
loss_func = torch.nn.CrossEntropyLoss()#损失函数设置为loss_function
plt.ion()
for t in range(100):
out = net(x)#100次迭代输出
loss = loss_func(out,y)#计算loss为out和y的差异
optimizer.zero_grad()#清除一下上次梯度计算的数值
loss.backward()#进行反向传播
optimizer.step()#最优化迭代
if t%2 == 0:
plt.cla()
prediction = torch.max(out,1)[1] ##返回每一行中最大值的那个元素，且返回其索引 torch.max()[1]， 只返回最大值的每个索引
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 = float((pred_y == target_y).astype(int).sum())/float(target_y.size)
plt.text(1.5,-4,'Accuracy=%.2f'%accuracy,fontdict={'size':20,'color':'red'})
plt.pause(0.1)
plt.ioff()
plt.show()最终运行出来的结果在下面：
