0 写在前面1 softmax函数2 数据预处理
2.1 scatter（）函数的cmap属性 3 激活函数4 模型搭建5 完整代码6 输出分析
6.1 目标6.2 运行过程7 总结
0 写在前面二分类问题是多分类问题的一种特殊情况，区别在于多分类用softmax代替sigmoid函数。softmax函数将所有分类的分数值转化为概率，且各概率的和为1。 1 softmax函数
softmax函数首先对所有的输出值通过指数函数，将实数输出映射到正无穷然后将所有的结果相加作为分母
2 数据预处理
首先下面这段代码可以直接运行！
首先cluster数据，形状为500×2，各元素值为1。然后用normal()函数，以4为均值，2 为标准差生产data0 其他同理
import torch import matplotlib.pyplot as plt cluster = torch.ones(500, 2) data0 = torch.normal(4*cluster, 2) data1 = torch.normal(-4*cluster, 1) data2 = torch.normal(-8*cluster, 1) label0 = torch.zeros(500) label1 = torch.ones(500) label2 = 2*label1 x = torch.cat((data0, data1, data2), ).type(torch.FloatTensor) y = torch.cat((label0, label1, label2), ).type(torch.LongTensor) plt.scatter(x.numpy()[:, 0], x.numpy()[:, 1], c=y.numpy(), s=10, lw=0, cmap='Accent') plt.show()
根据均值，可以看出灰色的数据群是data2，蓝色数据群是data1，绿色的数据群是data0。符合正态分布的特点——中心点聚集的数据点较多，四周的数据点分散。
2.1 scatter（）函数的cmap属性
1 可以不写，有默认值的2 如果想花里胡哨一点的话，可以看下图
3 激活函数
隐藏层激活函数采用relu()，最后分类激活函数采用softmax 4 模型搭建
一个隐藏层（维度变换从input_figure到num_hidden）一个输出层（维度变换从num_hidden到outputs）
class Net(nn.Module):
def __init__(self, input_feature, num_hidden, outputs):
super(Net, self).__init__()
self.hidden = nn.Linear(input_feature, num_hidden)
self.out = nn.Linear(num_hidden, outputs)
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.out(x)
x = F.softmax(x, dim=1)
return x
这里初始化模型，输入是2d，中间是20d，输出是3d。输入输出维度不能改变，中间的维度可以随意设定。
net = Net(input_feature=2, num_hidden=20, outputs=3).cuda() inputs = x.cuda() target = y.cuda()5 完整代码
可以直接运行！如果你觉得本文对你有帮助的话，感谢点赞收藏＋评论哦！
import torch
import matplotlib.pyplot as plt
cluster = torch.ones(500, 2)
data0 = torch.normal(4*cluster, 2)
data1 = torch.normal(-4*cluster, 1)
data2 = torch.normal(-8*cluster, 1)
label0 = torch.zeros(500)
label1 = torch.ones(500)
label2 = 2*label1
x = torch.cat((data0, data1, data2), ).type(torch.FloatTensor)
y = torch.cat((label0, label1, label2), ).type(torch.LongTensor)
# plt.scatter(x.numpy()[:, 0], x.numpy()[:, 1], c=y.numpy(), s=10, lw=0, cmap='Accent')
# plt.show()
import torch.nn.functional as F
from torch import nn, optim
class Net(nn.Module):
def __init__(self, input_feature, num_hidden, outputs):
super(Net, self).__init__()
self.hidden = nn.Linear(input_feature, num_hidden)
self.out = nn.Linear(num_hidden, outputs)
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.out(x)
x = F.softmax(x, dim=1)
return x
net = Net(input_feature=2, num_hidden=20, outputs=3).cuda()
inputs = x.cuda()
target = y.cuda()
optimizer = optim.SGD(net.parameters(), lr=0.02)
criterion = nn.CrossEntropyLoss()
def draw(output):
output = output.cpu()
plt.cla()
output = torch.max((output), 1)[1]
pred_y = output.data.numpy().squeeze()
target_y = y.numpy()
plt.scatter(x.numpy()[:, 0], x.numpy()[:, 1], c=pred_y, s=10, lw=0, cmap='RdYlGn')
accuracy = sum(pred_y == target_y) / 1500.0
plt.text(1.5, -4, 'Accuracy=%s' % (accuracy), fontdict={'size':20, 'color':'red'})
plt.show()
def train(model, criterion, optimizer, epochs):
for epoch in range(epochs):
output = model(inputs)
loss = criterion(output, target)
optimizer.zero_grad() # 梯度清零
loss.backward()
optimizer.step()
if epoch % 100 == 0:
draw(output)
train(net, criterion, optimizer, 1000)
6 输出分析
6.1 目标
目标就是向第二节的图像靠拢，三个数据群分别是不一样的颜色，然后accuracy接近1.
6.2 运行过程
训练100epochs的情况，效果不是很好，这里只分了2类
训练200epochs的情况，效果和100差不多
训练300epochs的情况
训练400epochs的情况
训练500epochs的情况，可以看到，data1的数据群一半已经变成黄色
训练600epochs的情况
训练700epochs的情况
训练800epochs的情况
训练900epochs的情况
训练00epochs的情况
训练到1000epochs的时候，accuracy已经达到0.99，能够非常明显地看出图片被分为了三类。目前所有的操作都是在训练集上完成的，以后会学习测试集上训练的情况！
- 如果有用的话麻烦三连，点点关注哦！
