torch分类问题

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

# torch.manual_seed(1)    # reproducible

# make fake data
n_data = torch.ones(100, 2)
x0 = torch.normal(2*n_data, 1)      # class0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100)               # class0 y data (tensor), shape=(100, 1)
x1 = torch.normal(-2*n_data, 1)     # class1 x data (tensor), shape=(100, 2)
y1 = torch.ones(100)                # class1 y data (tensor), shape=(100, 1)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)  # shape (200, 2) FloatTensor = 32-bit floating
y = torch.cat((y0, y1), ).type(torch.LongTensor)    # shape (200,) LongTensor = 64-bit integer

# The code below is deprecated in Pytorch 0.4. Now, autograd directly supports tensors
x, y = Variable(x), Variable(y)

# 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):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer
        self.out = torch.nn.Linear(n_hidden, n_output)   # output layer

    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.out(x)
        return x

net = Net(n_feature=2, n_hidden=10, n_output=2)     # define the network,输入两个特征
print(net)  # net architecture



optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
loss_func = torch.nn.CrossEntropyLoss()  # the target label is NOT an one-hotted
#分类输出的为概率

plt.ion()   # something about plotting

for t in range(100):
    out = net(x)                 # input x and predict based on x,输出原值不是概率,需要用激活函数转化为概率
    loss = loss_func(out, y)     # must be (1. nn output, 2. target), the target label is NOT one-hotted

    optimizer.zero_grad()   # clear gradients for next train
    loss.backward()         # backpropagation, compute gradients
    optimizer.step()        # apply gradients

    if t % 2 == 0:
        # plot and show learning process
        plt.cla()
        prediction = torch.max(F.softmax(out), 1)[1]
        pred_y = prediction.data.numpy()
        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()

输出结果是将散点图分为两类。

转载于:https://www.cnblogs.com/wmy-ncut/p/10177404.html

### Torch 图像分类教程及相关实现方法 #### 使用 PyTorch 进行图像分类的核心概念 PyTorch 是一种流行的深度学习框架,广泛应用于计算机视觉领域。对于图像分类任务,通常会采用卷积神经网络 (CNN) 来提取特征并完成分类工作。以下是一个完整的流程说明: 1. **数据准备**: 需要加载和预处理图像数据集。可以利用 `torchvision.datasets` 和 `DataLoader` 提供的功能简化这一过程[^1]。 2. **模型定义**: 定义 CNN 架构,例如经典的 ResNet 模型。ResNet 通过引入残差连接解决了深层网络中的梯度消失问题。 3. **损失函数与优化器**: 设置交叉熵损失函数 (`CrossEntropyLoss`) 并选择合适的优化算法(如 Adam 或 SGD)用于参数更新。 4. **训练循环**: 编写代码迭代地调整权重直到收敛为止。期间还可以记录性能指标以便后续分析。 5. **评估测试**: 对验证集上的表现进行评测以衡量最终效果如何。 下面给出一段简单的示例代码展示这些步骤的具体操作方式: ```python import torch from torch import nn, optim from torchvision import datasets, transforms, models from torch.utils.data import DataLoader # 数据转换设置 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) # 加载CIFAR-10数据集作为例子 train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False) # 初始化ResNet模型 model = models.resnet18(pretrained=True) num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, 10) # CIFAR-10有十个类别 device = 'cuda' if torch.cuda.is_available() else 'cpu' model.to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) def train_model(model, criterion, optimizer, num_epochs=10): for epoch in range(num_epochs): running_loss = 0.0 corrects = 0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() _, preds = torch.max(outputs, 1) corrects += torch.sum(preds == labels.data).item() accuracy = corrects / len(train_dataset) print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item()}, Accuracy: {accuracy}") train_model(model, criterion, optimizer, num_epochs=5) ``` 此脚本展示了从头构建一个基本的图像分类系统的全过程,包括但不限于数据增强、迁移学习以及实际训练阶段等内容[^1]。 另外值得注意的是,在项目开发过程中建议使用 TensorBoard 等工具来进行实验跟踪与结果可视化,这有助于更直观理解模型行为及其改进方向[^3]。 #### 关于其他技术扩展 除了标准的 CNN 方法外,还有诸如风格迁移这样的高级应用能够进一步提升图像处理能力。尽管它们主要针对艺术创作而非传统意义上的分类任务,但其背后所依赖的技术同样建立在强大的深度学习基础之上[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值