PyTorch上搭建简单神经网络实现回归和分类的示例

时间:2021-09-15 12:33:12

本文介绍了pytorch上搭建简单神经网络实现回归分类的示例,分享给大家,具体如下:

PyTorch上搭建简单神经网络实现回归和分类的示例

一、pytorch入门

1. 安装方法

登录pytorch官网,http://pytorch.org,可以看到以下界面:

PyTorch上搭建简单神经网络实现回归和分类的示例

按上图的选项选择后即可得到linux下conda指令:

?
1
conda install pytorch torchvision -c soumith

目前pytorch仅支持macos和linux,暂不支持windows。安装 pytorch 会安装两个模块,一个是torch,一个 torchvision, torch 是主模块,用来搭建神经网络的,torchvision 是辅模块,有数据库,还有一些已经训练好的神经网络等着你直接用,比如 (vgg, alexnet, resnet)。

2. numpy与torch

torch_data = torch.from_numpy(np_data)可以将numpy(array)格式转换为torch(tensor)格式;torch_data.numpy()又可以将torch的tensor格式转换为numpy的array格式。注意torch的tensor和numpy的array会共享他们的存储空间,修改一个会导致另外的一个也被修改。

对于1维(1-d)的数据,numpy是以行向量的形式打印输出,而torch是以列向量的形式打印输出的。

其他例如sin, cos, abs,mean等numpy中的函数在torch中用法相同。需要注意的是,numpy中np.matmul(data, data)和data.dot(data)矩阵相乘会得到相同结果;torch中torch.mm(tensor, tensor)是矩阵相乘的方法,得到一个矩阵,tensor.dot(tensor)会把tensor转换为1维的tensor,然后逐元素相乘后求和,得到与一个实数。

相关代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
import torch
import numpy as np
 
np_data = np.arange(6).reshape((2, 3))
torch_data = torch.from_numpy(np_data) # 将numpy(array)格式转换为torch(tensor)格式
tensor2array = torch_data.numpy() 
print(
  '\nnumpy array:\n', np_data, 
  '\ntorch tensor:', torch_data, 
  '\ntensor to array:\n', tensor2array, 
) # torch数据格式在print的时候前后自动添加换行符
 
# abs
data = [-1, -2, 2, 2]
tensor = torch.floattensor(data) 
print(
  '\nabs',
  '\nnumpy: \n', np.abs(data),    
  '\ntorch: ', torch.abs(tensor) 
) # 1维的数据,numpy是行向量形式显示,torch是列向量形式显示
 
# sin
print(
  '\nsin',
  '\nnumpy: \n', np.sin(data),   
  '\ntorch: ', torch.sin(tensor) 
)
 
# mean
print(
  '\nmean',
  '\nnumpy: ', np.mean(data),  
  '\ntorch: ', torch.mean(tensor) 
)
 
# 矩阵相乘
data = [[1,2], [3,4]]
tensor = torch.floattensor(data) 
 
print(
  '\nmatrix multiplication (matmul)',
  '\nnumpy: \n', np.matmul(data, data),  
  '\ntorch: ', torch.mm(tensor, tensor) 
)
 
data = np.array(data)
print(
  '\nmatrix multiplication (dot)',
  '\nnumpy: \n', data.dot(data),   
  '\ntorch: ', tensor.dot(tensor)  
)

3. variable

pytorch中的神经网络来自于autograd包,autograd包提供了tensor所有操作的自动求导方法。

autograd.variable这是这个包中最核心的类。可以将variable理解为一个装有tensor的容器,它包装了一个tensor,并且几乎支持所有的定义在其上的操作。一旦完成运算,便可以调用 .backward()来自动计算出所有的梯度。也就是说只有把tensor置于variable中,才能在神经网络中实现反向传递、自动求导等运算。

可以通过属性 .data 来访问原始的tensor,而关于这一variable的梯度则可通过 .grad属性查看。

相关代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import torch
from torch.autograd import variable
 
tensor = torch.floattensor([[1,2],[3,4]])
variable = variable(tensor, requires_grad=true)
# 打印展示variable类型
print(tensor)
print(variable)
 
t_out = torch.mean(tensor*tensor) # 每个元素的^ 2
v_out = torch.mean(variable*variable)
print(t_out)
print(v_out)
 
v_out.backward() # variable的误差反向传递
 
# 比较variable的原型和grad属性、data属性及相应的numpy形式
print('variable:\n', variable)
# v_out = 1/4 * sum(variable*variable) 这是计算图中的 v_out 计算步骤
# 针对于 v_out 的梯度就是, d(v_out)/d(variable) = 1/4*2*variable = variable/2
print('variable.grad:\n', variable.grad) # variable的梯度
print('variable.data:\n', variable.data) # variable的数据
print(variable.data.numpy()) #variable的数据的numpy形式

部分输出结果:

variable:
variable containing:
1 2
3 4
[torch.floattensor of size 2x2]
variable.grad:
variable containing:
0.5000 1.0000
1.5000 2.0000
[torch.floattensor of size 2x2]
variable.data:
1 2
3 4
[torch.floattensor of size 2x2]
[[ 1. 2.]
[ 3. 4.]]

4. 激励函数activationfunction

torch的激励函数都在torch.nn.functional中,relu,sigmoid, tanh, softplus都是常用的激励函数。

PyTorch上搭建简单神经网络实现回归和分类的示例

相关代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
import torch
import torch.nn.functional as f
from torch.autograd import variable
import matplotlib.pyplot as plt
 
x = torch.linspace(-5, 5, 200)
x_variable = variable(x) #将x放入variable
x_np = x_variable.data.numpy()
 
# 经过4种不同的激励函数得到的numpy形式的数据结果
y_relu = f.relu(x_variable).data.numpy()
y_sigmoid = f.sigmoid(x_variable).data.numpy()
y_tanh = f.tanh(x_variable).data.numpy()
y_softplus = f.softplus(x_variable).data.numpy()
 
plt.figure(1, figsize=(8, 6))
 
plt.subplot(221)
plt.plot(x_np, y_relu, c='red', label='relu')
plt.ylim((-1, 5))
plt.legend(loc='best')
 
plt.subplot(222)
plt.plot(x_np, y_sigmoid, c='red', label='sigmoid')
plt.ylim((-0.2, 1.2))
plt.legend(loc='best')
 
plt.subplot(223)
plt.plot(x_np, y_tanh, c='red', label='tanh')
plt.ylim((-1.2, 1.2))
plt.legend(loc='best')
 
plt.subplot(224)
plt.plot(x_np, y_softplus, c='red', label='softplus')
plt.ylim((-0.2, 6))
plt.legend(loc='best')
 
plt.show()

二、pytorch实现回归

先看完整代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
import torch
from torch.autograd import variable
import torch.nn.functional as f
import matplotlib.pyplot as plt
 
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 将1维的数据转换为2维数据
y = x.pow(2) + 0.2 * torch.rand(x.size())
 
# 将tensor置入variable中
x, y = variable(x), variable(y)
 
#plt.scatter(x.data.numpy(), y.data.numpy())
#plt.show()
 
# 定义一个构建神经网络的类
class net(torch.nn.module): # 继承torch.nn.module类
  def __init__(self, n_feature, n_hidden, n_output):
    super(net, self).__init__() # 获得net类的超类(父类)的构造方法
    # 定义神经网络的每层结构形式
    # 各个层的信息都是net类对象的属性
    self.hidden = torch.nn.linear(n_feature, n_hidden) # 隐藏层线性输出
    self.predict = torch.nn.linear(n_hidden, n_output) # 输出层线性输出
 
  # 将各层的神经元搭建成完整的神经网络的前向通路
  def forward(self, x):
    x = f.relu(self.hidden(x)) # 对隐藏层的输出进行relu激活
    x = self.predict(x)
    return x
 
# 定义神经网络
net = net(1, 10, 1)
print(net) # 打印输出net的结构
 
# 定义优化器和损失函数
optimizer = torch.optim.sgd(net.parameters(), lr=0.5) # 传入网络参数和学习率
loss_function = torch.nn.mseloss() # 最小均方误差
 
# 神经网络训练过程
plt.ion()  # 动态学习过程展示
plt.show()
 
for t in range(300):
  prediction = net(x) # 把数据x喂给net,输出预测值
  loss = loss_function(prediction, y) # 计算两者的误差,要注意两个参数的顺序
  optimizer.zero_grad() # 清空上一步的更新参数值
  loss.backward() # 误差反相传播,计算新的更新参数值
  optimizer.step() # 将计算得到的更新值赋给net.parameters()
 
  # 可视化训练过程
  if (t+1) % 10 == 0:
    plt.cla()
    plt.scatter(x.data.numpy(), y.data.numpy())
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
    plt.text(0.5, 0, 'l=%.4f' % loss.data[0], fontdict={'size': 20, 'color': 'red'})
    plt.pause(0.1)

首先创建一组带噪声的二次函数拟合数据,置于variable中。定义一个构建神经网络的类net,继承torch.nn.module类。net类的构造方法中定义输入神经元、隐藏层神经元、输出神经元数量的参数,通过super()方法获得net父类的构造方法,以属性的方式定义net的各个层的结构形式;定义net的forward()方法将各层的神经元搭建成完整的神经网络前向通路。

定义好net类后,定义神经网络实例,net类实例可以直接print打印输出神经网络的结构信息。接着定义神经网络的优化器和损失函数。定义好这些后就可以进行训练了。optimizer.zero_grad()、loss.backward()、optimizer.step()分别是清空上一步的更新参数值、进行误差的反向传播并计算新的更新参数值、将计算得到的更新值赋给net.parameters()。循环迭代训练过程。

运行结果:

net (

 (hidden): linear (1 -> 10)

 (predict): linear (10 -> 1)

)

PyTorch上搭建简单神经网络实现回归和分类的示例

三、pytorch实现简单分类

完整代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
import torch
from torch.autograd import variable
import torch.nn.functional as f
import matplotlib.pyplot as plt
 
# 生成数据
# 分别生成2组各100个数据点,增加正态噪声,后标记以y0=0 y1=1两类标签,最后cat连接到一起
n_data = torch.ones(100,2)
# torch.normal(means, std=1.0, out=none)
x0 = torch.normal(2*n_data, 1) # 以tensor的形式给出输出tensor各元素的均值,共享标准差
y0 = torch.zeros(100)
x1 = torch.normal(-2*n_data, 1)
y1 = torch.ones(100)
 
x = torch.cat((x0, x1), 0).type(torch.floattensor) # 组装(连接)
y = torch.cat((y0, y1), 0).type(torch.longtensor)
 
# 置入variable中
x, y = variable(x), variable(y)
 
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)
    self.out = torch.nn.linear(n_hidden, n_output)
 
  def forward(self, x):
    x = f.relu(self.hidden(x))
    x = self.out(x)
    return x
 
net = net(n_feature=2, n_hidden=10, n_output=2)
print(net)
 
optimizer = torch.optim.sgd(net.parameters(), lr=0.012)
loss_func = torch.nn.crossentropyloss()
 
plt.ion()
plt.show()
 
for t in range(100):
  out = net(x)
  loss = loss_func(out, y) # loss是定义为神经网络的输出与样本标签y的差别,故取softmax前的值
 
  optimizer.zero_grad()
  loss.backward()
  optimizer.step()
 
  if t % 2 == 0:
    plt.cla()
    # 过了一道 softmax 的激励函数后的最大概率才是预测值
    # torch.max既返回某个维度上的最大值,同时返回该最大值的索引值
    prediction = torch.max(f.softmax(out), 1)[1] # 在第1维度取最大值并返回索引值
    pred_y = prediction.data.numpy().squeeze()
    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 = sum(pred_y == target_y)/200 # 预测中有多少和真实值一样
    plt.text(1.5, -4, 'accu=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
    plt.pause(0.1)
 
plt.ioff()
plt.show()

神经网络结构部分的net类与前文的回归部分的结构相同。

需要注意的是,在循环迭代训练部分,out定义为神经网络的输出结果,计算误差loss时不是使用one-hot形式的,loss是定义在out与y上的torch.nn.crossentropyloss(),而预测值prediction定义为out经过softmax后(将结果转化为概率值)的结果。

运行结果:

net (

 (hidden): linear (2 -> 10)

  (out):linear (10 -> 2)

)

PyTorch上搭建简单神经网络实现回归和分类的示例

四、补充知识

1. super()函数

在定义net类的构造方法的时候,使用了super(net,self).__init__()语句,当前的类和对象作为super函数的参数使用,这条语句的功能是使net类的构造方法获得其超类(父类)的构造方法,不影响对net类单独定义构造方法,且不必关注net类的父类到底是什么,若需要修改net类的父类时只需修改class语句中的内容即可。

2. torch.normal()

torch.normal()可分为三种情况:(1)torch.normal(means,std, out=none)中means和std都是tensor,两者的形状可以不必相同,但tensor内的元素数量必须相同,一一对应的元素作为输出的各元素的均值和标准差;(2)torch.normal(mean=0.0, std, out=none)中mean是一个可定义的float,各个元素共享该均值;(3)torch.normal(means,std=1.0, out=none)中std是一个可定义的float,各个元素共享该标准差。

3. torch.cat(seq, dim=0)

torch.cat可以将若干个tensor组装连接起来,dim指定在哪个维度上进行组装。

4. torch.max()

(1)torch.max(input)→ float

input是tensor,返回input中的最大值float。

(2)torch.max(input,dim, keepdim=true, max=none, max_indices=none) -> (tensor, longtensor)

同时返回指定维度=dim上的最大值和该最大值在该维度上的索引值。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:https://blog.csdn.net/marsjhao/article/details/71743150