1 邏輯回歸與擬合過程

1.1 準備數據-code_01_moons.py（第1部分）

import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,plot_losses,predict,plot_decision_boundary# 1.1 準備數據 np.random.seed(0) #設置隨機種子 X,Y = sklearn.datasets.make_moons(200,noise=0.2)#生成兩組半圓形數據 arg = np.squeeze(np.argwhere(Y==0),axis=1) #獲取第1組數據索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) #獲取第2組數據索引 plt.title("moons data") #設置可視化標題 plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label='data1') #顯示第一組數據索引 plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label='data2')#顯示第二組數據索引 plt.legend() #顯示圖例 plt.show()

1.2 定義網絡模型-LogicNet_fun.py（第1部分）

# 1.2 定義網絡模型 class LogicNet(nn.Module): #繼承nn.Module類，構建網絡模型def __init__(self,inputdim,hiddendim,outputdim): #初始化網絡結構 ===》即初始化接口部分super(LogicNet,self).__init__()self.Linear1 = nn.Linear(inputdim,hiddendim) #定義全連接層self.Linear2 = nn.Linear(hiddendim,outputdim) #定義全連接層self.criterion = nn.CrossEntropyLoss() #定義交叉熵函數def forward(self,x):# 搭建用兩個全連接層組成的網絡模型 ===》 即正向接口部分：將網絡層模型結構按照正向傳播的順序搭建x = self.Linear1(x)# 將輸入傳入第一個全連接層x = torch.tanh(x)# 將第一個全連接層的結果進行非線性變化x = self.Linear2(x)# 將網絡數據傳入第二個全連接層return xdef predict(self,x):# 實現LogicNet類的預測窗口 ===》 即預測接口部分：利用搭建好的正向接口，得到模型預測結果#調用自身網絡模型，并對結果進行softmax()處理，分別的出預測數據屬于每一個類的概率pred = torch.softmax(self.forward(x),dim=1)# 將正向結果進行softmax()，分別的出預測結果屬于每一個類的概率return torch.argmax(pred,dim=1)# 返回每組預測概率中最大的索引def getloss(self,x,y):# 實現LogicNet類的損失值接口 ===》 即損失值計算接口部分：計算模型的預測結果與真實值之間的誤差，在反向傳播時使用y_pred = self.forward(x)loss = self.criterion(y_pred,y)# 計算損失值的交叉熵return loss

1.3 實例化網絡模型-code_01_moons.py（第2部分）

# 1.3 搭建網絡模型 model = LogicNet(inputdim=2,hiddendim=3,outputdim=2) #實例化模型 輸入數據的維度、隱藏節點的數量、模型最終結果的分類數 optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定義優化器 在反向傳播時使用

1.4 神經網絡的訓練模型-code_01_moons.py（第3部分）

#1.4 訓練模型 xt = torch.from_numpy(X).type(torch.FloatTensor) #將數據轉化為張量形式 yt = torch.from_numpy(Y).type(torch.LongTensor) epochs = 10000 #訓練次數 losses = [] # 損失值列表 for i in range(epochs):loss = model.getloss(xt,yt)losses.append(loss.item())optimizer.zero_grad() #梯度清零# loss.backword() 寫錯了 # 反向傳播loss.backward()# 反向傳播的損失值optimizer.step()# 更新參數

1.5?訓練結果的可視化實現

1.5.1 定義可視化函數-LogicNet_fun.py（第2部分）

# 1.5 訓練可視化 def moving_average(a,w=10): #計算移動平均損失值if len(a) < w:return a[:]return [val if idx < w else sum(a[(idx - w):idx]) / w for idx, val in enumerate(a)]def moving_average_to_simp(a,w=10): #if len(a) < w:return a[:]val_list = []for idx, val in enumerate(a):if idx < w:# 如果列表 a 的下標小于 w, 直接將元素添加進 xxx 列表val_list.append(val)else:# 向前取 10 個元素計算平均值, 添加到 xxx 列表val_list.append(sum(a[(idx - w):idx]) / w)def plot_losses(losses):avgloss = moving_average(losses)#獲得損失值的移動平均值plt.figure(1)plt.subplot(211)plt.plot(range(len(avgloss)),avgloss,'b--')plt.xlabel('step number')plt.ylabel('Training loss')plt.title('step number vs Training loss')plt.show()

1.5.2 調用可視化函數-code_01_moons.py（第4部分）

#1.5 訓練可視化 plot_losses(losses)

1.6 網絡模型評估即預測精度計算-code_01_moons.py（第5部分）

#1.6 模型評估 from sklearn.metrics import accuracy_score print(accuracy_score(model.predict(xt),yt))

1.7?預測結果模型可視化

1.7.1 可視化函數構建--LogicNet_fun.py（第3部分）

# 1.7 數據可視化模型 def predict(x): #封裝支持Numpy的預測接口x = torch.from_numpy(x).type(torch.FloatTensor)model = LogicNet(inputdim=2, hiddendim=3, outputdim=2)ans = model.predict(x)return ans.numpy()def plot_decision_boundary(pred_func,X,Y): #在直角模型中實現預測結果的可視化#計算范圍x_min ,x_max = X[:,0].min()-0.5 , X[:,0].max()+0.5y_min ,y_max = X[:,1].min()-0.5 , X[:,1].max()+0.5h=0.01xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))#根據數據輸入進行預測Z = pred_func(np.c_[xx.ravel(),yy.ravel()])Z = Z.reshape(xx.shape)#將數據的預測結果進行可視化plt.contourf(xx,yy,Z,cmap=plt.cm.Spectral)plt.title("Linear predict")arg = np.squeeze(np.argwhere(Y==0),axis=1)arg2 = np.squeeze(np.argwhere(Y==1),axis=1)plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+')plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o')plt.show()

1.7.2 可視化函數調用--code_01_moons.py（第6部分）

# 1.7 數據預測可視化模型 plot_decision_boundary(lambda x:predict(x),xt.numpy(),yt.numpy())

2 總結與回顧

2.1 深度學習的步驟

準備數據、搭建網絡模型、訓練模型、使用及評估模型

2.1.1 概述步驟

將任務中的數據進行收集整理，通過建立合適的網絡模型進行預測，在構建過程中通過一定次數的迭代學習數據特征來行程可用的數據模型，最后就是使用構建好的模型來解決實際問題。

2.2 訓練模型

2.3 模型是如何訓練的?

?

3 代碼匯總

3.1?code_01_moons.py

import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,plot_losses,predict,plot_decision_boundary# 1.1 準備數據 np.random.seed(0) #設置隨機種子 X,Y = sklearn.datasets.make_moons(200,noise=0.2)#生成兩組半圓形數據 arg = np.squeeze(np.argwhere(Y==0),axis=1) #獲取第1組數據索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) #獲取第2組數據索引 plt.title("moons data") #設置可視化標題 plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label='data1') #顯示第一組數據索引 plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label='data2')#顯示第二組數據索引 plt.legend() #顯示圖例 plt.show()# 1.3 搭建網絡模型 model = LogicNet(inputdim=2,hiddendim=3,outputdim=2) #實例化模型 輸入數據的維度、隱藏節點的數量、模型最終結果的分類數 optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定義優化器 在反向傳播時使用#1.4 訓練模型 xt = torch.from_numpy(X).type(torch.FloatTensor) #將數據轉化為張量形式 yt = torch.from_numpy(Y).type(torch.LongTensor) epochs = 10000 #訓練次數 losses = [] # 損失值列表 for i in range(epochs):loss = model.getloss(xt,yt)losses.append(loss.item())optimizer.zero_grad() #梯度清零# loss.backword() 寫錯了 # 反向傳播loss.backward()# 反向傳播的損失值optimizer.step()# 更新參數#1.5 訓練可視化 plot_losses(losses)#1.6 模型評估 from sklearn.metrics import accuracy_score print(accuracy_score(model.predict(xt),yt))# 1.7 數據預測可視化模型 plot_decision_boundary(lambda x:predict(x),xt.numpy(),yt.numpy())

3.2?LogicNet_fun.py

import torch.nn as nn #引入torch網絡模型庫 import torch import numpy as np import matplotlib.pyplot as plt# 1.2 定義網絡模型 class LogicNet(nn.Module): #繼承nn.Module類，構建網絡模型def __init__(self,inputdim,hiddendim,outputdim): #初始化網絡結構 ===》即初始化接口部分super(LogicNet,self).__init__()self.Linear1 = nn.Linear(inputdim,hiddendim) #定義全連接層self.Linear2 = nn.Linear(hiddendim,outputdim) #定義全連接層self.criterion = nn.CrossEntropyLoss() #定義交叉熵函數def forward(self,x):# 搭建用兩個全連接層組成的網絡模型 ===》 即正向接口部分：將網絡層模型結構按照正向傳播的順序搭建x = self.Linear1(x)# 將輸入傳入第一個全連接層x = torch.tanh(x)# 將第一個全連接層的結果進行非線性變化x = self.Linear2(x)# 將網絡數據傳入第二個全連接層return xdef predict(self,x):# 實現LogicNet類的預測窗口 ===》 即預測接口部分：利用搭建好的正向接口，得到模型預測結果#調用自身網絡模型，并對結果進行softmax()處理，分別的出預測數據屬于每一個類的概率pred = torch.softmax(self.forward(x),dim=1)# 將正向結果進行softmax()，分別的出預測結果屬于每一個類的概率return torch.argmax(pred,dim=1)# 返回每組預測概率中最大的索引def getloss(self,x,y):# 實現LogicNet類的損失值接口 ===》 即損失值計算接口部分：計算模型的預測結果與真實值之間的誤差，在反向傳播時使用y_pred = self.forward(x)loss = self.criterion(y_pred,y)# 計算損失值的交叉熵return loss# 1.5 訓練可視化 def moving_average(a,w=10): #計算移動平均損失值if len(a) < w:return a[:]return [val if idx < w else sum(a[(idx - w):idx]) / w for idx, val in enumerate(a)]def moving_average_to_simp(a,w=10): #if len(a) < w:return a[:]val_list = []for idx, val in enumerate(a):if idx < w:# 如果列表 a 的下標小于 w, 直接將元素添加進 xxx 列表val_list.append(val)else:# 向前取 10 個元素計算平均值, 添加到 xxx 列表val_list.append(sum(a[(idx - w):idx]) / w)def plot_losses(losses):avgloss = moving_average(losses)#獲得損失值的移動平均值plt.figure(1)plt.subplot(211)plt.plot(range(len(avgloss)),avgloss,'b--')plt.xlabel('step number')plt.ylabel('Training loss')plt.title('step number vs Training loss')plt.show()# 1.7 數據可視化模型 def predict(x): #封裝支持Numpy的預測接口x = torch.from_numpy(x).type(torch.FloatTensor)model = LogicNet(inputdim=2, hiddendim=3, outputdim=2)ans = model.predict(x)return ans.numpy()def plot_decision_boundary(pred_func,X,Y): #在直角模型中實現預測結果的可視化#計算范圍x_min ,x_max = X[:,0].min()-0.5 , X[:,0].max()+0.5y_min ,y_max = X[:,1].min()-0.5 , X[:,1].max()+0.5h=0.01xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))#根據數據輸入進行預測Z = pred_func(np.c_[xx.ravel(),yy.ravel()])Z = Z.reshape(xx.shape)#將數據的預測結果進行可視化plt.contourf(xx,yy,Z,cmap=plt.cm.Spectral)plt.title("Linear predict")arg = np.squeeze(np.argwhere(Y==0),axis=1)arg2 = np.squeeze(np.argwhere(Y==1),axis=1)plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+')plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o')plt.show()

總結

以上是生活随笔為你收集整理的【Pytorch神经网络实战案例】06 逻辑回归拟合二维数据的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。