一.數(shù)據(jù)集介紹

這次數(shù)據(jù)集使用的是iris數(shù)據(jù)集，也稱鳶尾花卉數(shù)據(jù)集，是一類多重變量分析的數(shù)據(jù)集。數(shù)據(jù)集包含150個數(shù)據(jù)樣本，分為3類，每類50個數(shù)據(jù)，每個數(shù)據(jù)包含4個屬性?？赏ㄟ^花萼長度，花萼寬度，花瓣長度，花瓣寬度4個屬性預(yù)測鳶尾花卉屬于（Setosa，Versicolour，Virginica）三個種類中的哪一類。
該數(shù)據(jù)集進行神經(jīng)網(wǎng)絡(luò)時，輸入是 Sepal.Length（花萼長度）， Sepal.Width（花萼寬度），Petal.Length（花瓣長度）， Petal.Width（花瓣寬度），輸出為種類，Iris Setosa（山鳶尾）、Iris Versicolour（雜色鳶尾），以及Iris Virginica（維吉尼亞鳶尾）。

二.代碼實現(xiàn)

代碼部分總共為兩個版本，分別是CPU版本和GPU版本。
數(shù)據(jù)集是從sklearn中下載得到：

from sklearn import datasets # 數(shù)據(jù)集下載和處理 dataset = datasets.load_iris() data = dataset['data'] iris_type = dataset['target']

我們可以看一下該數(shù)據(jù)集的輸出，輸出可以自己看，這就不展示了。

print(data) print(iris_type)

之后需要對數(shù)據(jù)進行處理，因為使用到pytorch，我們需要將數(shù)據(jù)轉(zhuǎn)為tensor格式：

input = torch.FloatTensor(dataset['data']) label = torch.LongTensor(dataset['target'])

接下來可以定義神經(jīng)網(wǎng)絡(luò)模型：

class BPNerualNetwork(torch.nn.Module):def __init__(self):super().__init__()self.model = nn.Sequential(nn.Linear(input_size, hidden_size1),nn.ReLU(),nn.Linear(hidden_size1, hidden_size2),nn.ReLU(),nn.Linear(hidden_size2, hidden_size3),nn.ReLU(),nn.Linear(hidden_size3, output_size),nn.LogSoftmax(dim=1))def forward(self, x):x = self.model(x)return x

這里我設(shè)置了三層隱藏層，不過你可以自己增減隱藏層，只需要調(diào)用函數(shù)nn.Linear(),激活函數(shù)可以直接設(shè)置，pytorch里面可以直接調(diào)用，我這里使用的是nn.ReLU()函數(shù)。
后續(xù)只需要進行訓(xùn)練就可以了（下面代碼是GPU版本）：

for epoch in range(EPOCH):input= input.to(device)label = label.to(device)out = net(input)# 輸出與label對比loss = loss_func(out, label)optimizer.zero_grad()loss.backward()optimizer.step()

三.效果

我使用了matplotlib將準(zhǔn)確率和loss進行展示：

準(zhǔn)確率達到了0.99，可以說效果不錯哦。

具體兩個版本代碼可以點這里下載。

總結(jié)

以上是生活随笔為你收集整理的BP神经网络处理iris数据集（Pytorch实现）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。