标签：实战 plt pred self torch 斯蒂 pytorch model data
视频指导：https://www.bilibili.com/video/BV1Y7411d7Ys?p=6
一些数据集
在pytorch框架下，里面面有配套的数据集，pytorch里面有一个torchversion的包，他可以提供相应的，比如MNIST这种很基础的数据集，但是安装的时候这些数据集不会包含在包里面，所以需要下载，具体代码以及解释如下：
import torchvision
train_set = torchvision.datasets.MNIST(root= '../dataset/mnist', train=True, download=True) //root后面表示把数据集安装在什么位置，train表示是要训练集还是测试集，download表示是否需要下载（如果没有下载就需要下载）
text_set = torchvision.datasets.MNIST(root= '../dataset/mnist', train=False, download=True)
还有一个叫做CIFAR-10 的数据集，训练集里面包含了5w个样本，测试集包含了1w个样本，内容就是一些图片，被分成了十类，分别表示不同的事务
import torchvision
train_set = torchvision.datasets.CIFAR10(...）
text_set = torchvision.datasets.CIFAR10(...)
逻辑斯蒂回归
首先我们自己设计几个数据
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
然后开始设计模型
class LogisiticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisiticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1)
def forward(self,x):
y_pred = F.sigmoid(self.linear(x))
return y_pred
这里和昨天不一样的地方在于forward里面使用了逻辑斯蒂回归
然后是优化器和损失函数
model = LogisiticRegressionModel()
critertion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)
损失函数采用的是BCE，就是交叉熵损失
开始训练
for epoch in range(1000):
y_pred = model(x_data)
loss = critertion(y_pred,y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
结果可视化
用matplotlib进行绘图可以使结果可视化，具体代码和解释如下
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 200) //意思就是在0到10之间弄出来两百个点
x_t = torch.Tensor(x).view((200, 1)) //把他变成200行一列的矩阵
y_t = model(x_t) //送入模型
y = y_t.data.numpy() //用numpy接收y_data的数据
plt.plot(x, y) //绘图
plt.plot([0, 10], [0.5, 0.5], c='r') //表示在0到10，0.5到0.5上面画一条线（显然是一条直线）
plt.ylabel('probability of pass')
plt.grid()
plt.show()
总结
第一遍跑有一个警告
UserWarning: nn.functional.sigmoid is deprecated. Use torch.sigmoid instead. warnings.warn
查了一下，把
F.sigmoid(self.hidden(x))
#修改成以下语句
torch.sigmoid(self.hidden(x))
即可
估计是版本问题吧
然后我有魔改了一下代码，具体如下
import torch
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
class LogisiticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisiticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1)
def forward(self,x):
y_pred = torch.sigmoid(self.linear(x))
return y_pred
model = LogisiticRegressionModel()
critertion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(50000):
y_pred = model(x_data)
loss = critertion(y_pred,y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 100, 2000)
x_t = torch.Tensor(x).view((2000, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 100], [0.5, 0.5], c='r')
plt.xlabel('hours')
plt.ylabel('pass')
plt.grid()
plt.show()
最后的结果，我愿称之为，过拟合之王
哈哈哈哈哈，很有意思
- 总之整个代码编写就分这几步：
- 准备数据；
- 设计模型；
- 构造损失函数和优化器；
- 训练过程；
- 打印结果
熟悉了就可以搞出自己的模型了
标签：实战,plt,pred,self,torch,斯蒂,pytorch,model,data 来源： https://www.cnblogs.com/lugendary/p/16135497.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。