黑松山资源网 Design By www.paidiu.com
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。
黑松山资源网 Design By www.paidiu.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
黑松山资源网 Design By www.paidiu.com
暂无评论...
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
2024年10月06日
2024年10月06日
- 群星《前途海量 电影原声专辑》[FLAC/分轨][227.78MB]
- 张信哲.1992-知道新曲与精丫巨石】【WAV+CUE】
- 王翠玲.1995-ANGEL【新艺宝】【WAV+CUE】
- 景冈山.1996-我的眼里只有你【大地唱片】【WAV+CUE】
- 群星《八戒 电影原声带》[320K/MP3][188.97MB]
- 群星《我的阿勒泰 影视原声带》[320K/MP3][139.47MB]
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[320K/MP3][148.91MB]
- 刘雅丽.2001-丽花皇后·EMI精选王【EMI百代】【FLAC分轨】
- 齐秦.1994-黄金十年1981-1990CHINA.TOUR.LIVE精丫上华】【WAV+CUE】
- 群星.2008-本色·百代音乐人创作专辑【EMI百代】【WAV+CUE】
- 群星.2001-同步过冬AVCD【环球】【WAV+CUE】
- 群星.2020-同步过冬2020冀待晴空【环球】【WAV+CUE】
- 沈雁.1986-四季(2012梦田复刻版)【白云唱片】【WAV+CUE】
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[FLAC/分轨][257.88MB]
- 《国语老歌 怀旧篇 3CD》[WAV/分轨][1.6GB]