pytorch新手自学教程（四）

import头文件

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

点集分类

机器学习中的监督学习主要分为回归问题和分类问题，本文讲一下关于简单点集分类的神经网络解决方法。分类问题所预测的结果就是离散的类别c 这时 输入变量可以是离散的，也可以是连续的，而监督学习从数据中学习→个分类模型或 者分类决策函数，它被称为分类器( c1assifier )。 分类器对新的输入进行输出预测，这 个过程即称为分类( c1assification )。思路是先拟合决策边界（回归问题）(这里的决策边界 不局限于线性，还可以是多项式)，在建立这个边界和分类概率的关系，从而得到二分 类情况下的概率。

·制造数据集：

data = torch.ones(100,2) #制造100个随机点（xi,yi）所需数据
point1 = torch.normal(1*data, 1) #点类1：分布在1附近的正态分布（标准差为1）
target1 = torch.zeros(100) #point1 100个点的标签设为0
point2 = torch.normal(-1*data, 1) #点类2：分布在-1附近的正态分布（标准差为1）
target2 = torch.ones(100) #point1 100个点的标签设为1
#将两类点和标签放在一起，方便训练
point = torch.cat((point1, point2), 0) #参数为0按行合并，为1按列合并
target = torch.cat((target1, target2), 0)
#打印数据
plt.scatter(point1[:,0], point1[:,1], c='red') #点1的散点图图，红点
plt.scatter(point2[:,0], point2[:,1], c='blue') #点2的散点图图，蓝点
plt.show()

·构建用于分类的神经网络：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.linear = nn.Linear(2, 1) #输入为一个点（xi,yi)二维，输出为判断点的标签（0或1）一维
        self.sm = nn.Sigmoid() #将输出经过sigmoid激活函数映射为概率，并取概率大的标签

    def forward(self, x):
        x = self.linear(x)
        x = self.sm(x)
        return x

net = Net()

使用print(net)可以查看搭建网络的结构

·进行训练：

optimizer = torch.optim.SGD(net.parameters(), lr=0.01)
loss_fuc = nn.BCELoss() #二分类用的损失函数

epochs = 100
#训练步骤与前面大致相同，不在细述
for epoch in range(epochs):
    out_target = net(point)
    loss = loss_fuc(out_target, target)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if epoch % 20 == 0:
        print('epoch: {} | loss: {:.3f}'.format(epoch, loss))

·以概率0.5为分界线标记网络划分点：

plt.scatter(point1[:, 0], point1[:, 1], c='red')  # 点1的散点图图，红点
plt.scatter(point2[:,0], point2[:,1], c='blue') #点2的散点图图，蓝点
#将数据中网络分为标签0的点标绿
out_target = net(point)
for i in range(len(out_target)):
    if out_target[i] >= 0.5: #将预测概率大于0.5的点标绿
        plt.scatter(point[i][0], point[i][1], c='green')
plt.show()