搭建简单的神经网络——使用pytorch实现鸢尾花的分类
最近写毕业论文,看到网上的pytorch入门nn方法乱七八糟,遂写了本篇方法,好让更多的人可以使用pytorch实现简单的神经网络方法.
# version:python 3.7.9 pytorch :1.7.0 # function:利用神经网络进行鸢尾花分类 import numpy as np import torch from collections import Counter from sklearn import datasets import torch.nn.functional as Fun 12345678
1.数据准备
# 1. 数据准备 dataset = datasets.load_iris() dataut=dataset['data'] priciple=dataset['target'] input=torch.FloatTensor(dataset['data']) label=torch.LongTensor(dataset['target']) 1234567
莺尾花数据展示：
2. 定义BP神经网络
# 2. 定义BP神经网络 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) # 定义隐藏层网络 self.out = torch.nn.Linear(n_hidden, n_output) # 定义输出层网络 def forward(self, x): x = Fun.relu(self.hidden(x)) # 隐藏层的激活函数,采用relu,也可以采用sigmod,tanh x = self.out(x) # 输出层不用激活函数 return x 123456789101112
3. 定义优化器和损失函数
# 3. 定义优化器和损失函数 net = Net(n_feature=4, n_hidden=20, n_output=3) #n_feature:输入的特征维度,n_hiddenb:神经元个数,n_output:输出的类别个数 optimizer = torch.optim.SGD(net.parameters(), lr=0.02) # 优化器选用随机梯度下降方式 loss_func = torch.nn.CrossEntropyLoss() # 对于多分类一般采用的交叉熵损失函数, 12345
4. 训练网络
# 4. 训练网络 for t in range(500): out = net(input) # 输入input,输出out loss = loss_func(out, label) # 输出与label对比 optimizer.zero_grad() # 梯度清零 loss.backward() # 前馈操作 optimizer.step() # 使用梯度优化器 1234567
5. 得出结果
# 5. 得出结果 out = net(input) #out是一个计算矩阵，可以用Fun.softmax(out)转化为概率矩阵 prediction = torch.max(out, 1)[1] # 返回index 0返回原值 pred_y = prediction.data.numpy() target_y = label.data.numpy() 12345
6.衡量准确率
# 6.衡量准确率 accuracy = float((pred_y == target_y).astype(int).sum()) / float(target_y.size) print("莺尾花预测准确率",accuracy) 123
7.完整代码如下：
# version:python 3.7.9 pytorch :1.7.0 # function:利用神经网络进行鸢尾花分类 import numpy as np import torch from collections import Counter from sklearn import datasets import torch.nn.functional as Fun # 1. 数据准备 dataset = datasets.load_iris() dataut=dataset['data'] priciple=dataset['target'] input=torch.FloatTensor(dataset['data']) label=torch.LongTensor(dataset['target']) # 2. 定义BP神经网络 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) # 定义隐藏层网络 self.out = torch.nn.Linear(n_hidden, n_output) # 定义输出层网络 def forward(self, x): x = Fun.relu(self.hidden(x)) # 隐藏层的激活函数,采用relu,也可以采用sigmod,tanh x = self.out(x) # 输出层不用激活函数 return x # 3. 定义优化器损失函数 net = Net(n_feature=4, n_hidden=20, n_output=3) #n_feature:输入的特征维度,n_hiddenb:神经元个数,n_output:输出的类别个数 optimizer = torch.optim.SGD(net.parameters(), lr=0.02) # 优化器选用随机梯度下降方式 loss_func = torch.nn.CrossEntropyLoss() # 对于多分类一般采用的交叉熵损失函数, # 4. 训练数据 for t in range(500): out = net(input) # 输入input,输出out loss = loss_func(out, label) # 输出与label对比 optimizer.zero_grad() # 梯度清零 loss.backward() # 前馈操作 optimizer.step() # 使用梯度优化器 # 5. 得出结果 out = net(input) #out是一个计算矩阵，可以用Fun.softmax(out)转化为概率矩阵 prediction = torch.max(out, 1)[1] # 返回index 0返回原值 pred_y = prediction.data.numpy() target_y = label.data.numpy() # 6.衡量准确率 accuracy = float((pred_y == target_y).astype(int).sum()) / float(target_y.size) print("莺尾花预测准确率",accuracy)
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950相关知识
使用PyTorch实现对花朵的分类
神经网络与深度学习
基于pytorch搭建AlexNet神经网络用于花类识别
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
使用神经网络模型进行鸢尾花分类 matlab神经网络分类鸢尾花
pytorch深度学习框架——实现病虫害图像分类
基于BP神经网络对鸢尾花的分类的研究
ResNet残差网络在PyTorch中的实现——训练花卉分类器
“花朵分类“ 手把手搭建【卷积神经网络】
pytorch实现简单卷积神经网络（CNN）网络完成手写数字识别
网址: 搭建简单的神经网络——使用pytorch实现鸢尾花的分类 https://m.huajiangbk.com/newsview387329.html
| 上一篇: 鸢尾花书1编程不难.pdf等7个 |
下一篇: MATLAB鸢尾花数据集（iri |
