这篇文章将为大家详细讲解有关Pytorch如何实现神经网络的分类，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
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()1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单
关于“Pytorch如何实现神经网络的分类”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
