门户网站网站建设,wdcp 网站打不开,企业知识库wordpress,程序员个人博客网站这里写目录标题 生成数据函数定义数据集定义loader加载数据定义神经网络模型测试输出是否为2个输入数据#xff0c;输出结果 训练模型函数计算正确率 训练数据并保存模型测试模型准备数据加载模型预测对比结果 生成数据函数
import randomdef get_rectangle():widthrandom.ra… 这里写目录标题 生成数据函数定义数据集定义loader加载数据定义神经网络模型测试输出是否为2个输入数据输出结果 训练模型函数计算正确率 训练数据并保存模型测试模型准备数据加载模型预测对比结果 生成数据函数
import randomdef get_rectangle():widthrandom.random()heightrandom.random()# 如果width大于height就是1否则就是0fatint(widthheight)return width,height,fatget_rectangle()
(0.19267437580138802, 0.645061020860627, 0)fatint(0.80.9)
fat0定义数据集
import torchclass Dataset(torch.utils.data.Dataset):def __init__(self):passdef __len__(self):return 1000def __getitem__(self,i):width,height,fatget_rectangle()# 这里注意width和height列表形式再转为tensor,另外是floattensorxtorch.FloatTensor([width,height])yfatreturn x,ydatasetDataset()# 这里没执行一次都要变有什么意义
len(dataset),dataset[999](1000, (tensor([0.4756, 0.1713]), 1))定义loader加载数据
# 定义了数据集然后使用loader去加载需要记住batch_size,shuffle,drop_last这个三个常用的
loadertorch.utils.data.DataLoader(datasetdataset,batch_size9,shuffleTrue,drop_lastTrue)# 加载完了以后就可以使用next去遍历了
len(loader),next(iter(loader))(111,[tensor([[0.1897, 0.6766],[0.2460, 0.2725],[0.5871, 0.7739],[0.3035, 0.9607],[0.7006, 0.7421],[0.4279, 0.9501],[0.6750, 0.1704],[0.5777, 0.1154],[0.5512, 0.3933]]),tensor([0, 0, 0, 0, 0, 0, 1, 1, 1])])# 输出结果
# (111,
# [tensor([[0.3577, 0.3401],
# [0.0156, 0.7550],
# [0.0435, 0.4984],
# [0.1329, 0.5488],
# [0.4330, 0.5362],
# [0.1070, 0.8500],
# [0.1073, 0.2496],
# [0.1733, 0.0226],
# [0.6790, 0.2119]]),
# tensor([1, 0, 0, 0, 0, 0, 0, 1, 1])]) 这里是torch自动将y组合成了一个tensor定义神经网络模型
class Model(torch.nn.Module):def __init__(self):super().__init__()# 定义神经网络结构self.fbtorch.nn.Sequential(# 第一层输入两个输出32个torch.nn.Linear(in_features2,out_features32),# 激活层的意思是小于0的数字变为0,即负数归零操作torch.nn.ReLU(),# 第二层输入是32个输出也是32个torch.nn.Linear(in_features32,out_features32),# 激活torch.nn.ReLU(),# 第三次输入32个输出2个torch.nn.Linear(in_features32,out_features2),# 激活生成的两个数字相加等于1torch.nn.Softmax(dim1))# 定义网络计算过程def forward(self,x):return self.fb(x)modelModel()测试输出是否为2个
# 测试 8行2列的数据让模型测试看是否最后输出是否也是8行一列model(torch.rand(8,2)).shapetorch.Size([8, 2])输入数据输出结果
model(torch.tensor([[0.3577, 0.3401]]))tensor([[0.5228, 0.4772]], grad_fnSoftmaxBackward)训练模型函数
def train():#定义优化器,le-4表示0.0004,10的负四次方opitimizertorch.optim.Adam(model.parameters(),lr1e-4)#定义损失函数 一般回归使用mseloss分类使用celossloss_fntorch.nn.CrossEntropyLoss()#然后trainmodel.train()# 全量数据遍历100轮for epoch in range(100):# 遍历loader的数据,循环一次取9条数据这里注意unpack时x就是【widthheight】for i,(x,y) in enumerate(loader):outmodel(x)# 计算损失lossloss_fn(out,y)# 计算损失的梯度loss.backward()# 优化参数opitimizer.step()# 梯度清零opitimizer.zero_grad()# 第二十轮的时候打印一下数据if epoch % 20 0:# 正确率# out.argmax(dim1) 表示哪个值大就说明偏移哪一类dim1暂时可以看做是固定的# (out.argmax(dim1)y).sum() 表示的true的个数acc(out.argmax(dim1)y).sum().item()/len(y)print(epoch,loss.item(),acc)torch.save(model,4.model)
计算正确率
执行的命令
print(out,“”,y,“”,(out.argmax(dim1)y).sum().item())
print(out.argmax(dim1),“------------”,(out.argmax(dim1)y),“~~~~~~~~~~~”,(out.argmax(dim1)y).sum())
输出的结果
tensor([[9.9999e-01, 1.4671e-05], [4.6179e-14, 1.0000e00], [3.2289e-02, 9.6771e-01], [1.1237e-22, 1.0000e00],[9.9993e-01, 7.0015e-05],[8.6740e-02, 9.1326e-01],[1.1458e-18, 1.0000e00],[5.2558e-01, 4.7442e-01],[9.7923e-01, 2.0772e-02]], grad_fnSoftmaxBackward) tensor([0, 1, 1, 1, 0, 1, 1, 1, 0]) 8tensor([0, 1, 1, 1, 0, 1, 1, 0, 0]) ------------ tensor([ True, True, True, True, True, True, True, False, True]) ~~~~~~~~~~~ tensor(8)
解释
out.argmax(dim1) 表示哪个值大就说明偏移哪一类dim1暂时可以看做是固定的
(out.argmax(dim1)y).sum() 表示的true的个数 a torch.tensor([[1,2,3],[4,7,6]])d a.argmax(dim1)
print(d)tensor([2, 1])训练数据并保存模型
train()80 0.3329530954360962 1.0
80 0.31511250138282776 1.0
80 0.33394935727119446 1.0
80 0.3242819309234619 1.0
80 0.3188716471195221 1.0
80 0.3405844569206238 1.0
80 0.32696405053138733 1.0
80 0.3540787696838379 1.0
80 0.3390745222568512 1.0
80 0.3645476996898651 0.8888888888888888
80 0.3371085822582245 1.0
80 0.31789034605026245 1.0
80 0.31553390622138977 1.0
80 0.3162603974342346 1.0
80 0.35249051451683044 1.0
80 0.3582523465156555 1.0
80 0.3162645995616913 1.0
80 0.37988030910491943 1.0
80 0.34384390711784363 1.0
80 0.31773826479911804 1.0
80 0.3145104646682739 1.0
80 0.31753242015838623 1.0
80 0.3222736120223999 1.0
80 0.38612237572669983 1.0
80 0.35490038990974426 1.0
80 0.34469687938690186 1.0
80 0.34534531831741333 1.0
80 0.31800928711891174 1.0
80 0.34892910718917847 1.0
80 0.33424195647239685 1.0
80 0.37350085377693176 1.0
80 0.3298128843307495 1.0
80 0.3715909719467163 1.0
80 0.3507140874862671 1.0
80 0.33337005972862244 1.0
80 0.3134789764881134 1.0
80 0.35244104266166687 1.0
80 0.3148314654827118 1.0
80 0.3376845419406891 1.0
80 0.3315282464027405 1.0
80 0.3450225591659546 1.0
80 0.3139556646347046 1.0
80 0.34932857751846313 1.0
80 0.3512738049030304 1.0
80 0.3258627951145172 1.0
80 0.3197799324989319 1.0
80 0.358166366815567 0.8888888888888888
80 0.3716268837451935 1.0
80 0.31426626443862915 1.0
80 0.32130196690559387 1.0
80 0.3207002282142639 1.0
80 0.3891155421733856 1.0
80 0.35045987367630005 1.0
80 0.32332736253738403 1.0
80 0.31951677799224854 1.0
80 0.3184094727039337 1.0
80 0.3341224491596222 1.0
80 0.3408585786819458 1.0
80 0.3139263093471527 1.0
80 0.33058592677116394 1.0
80 0.3134475648403168 1.0
80 0.3281571567058563 1.0
80 0.33370518684387207 1.0
80 0.33172252774238586 1.0
80 0.32849007844924927 1.0
80 0.3604048788547516 1.0
80 0.3651810884475708 1.0测试模型
准备数据
# 准备数据
x,fatnext(iter(loader))
x,fat(tensor([[0.6733, 0.4044],[0.6503, 0.0303],[0.9353, 0.9518],[0.4145, 0.6948],[0.9560, 0.8009],[0.6331, 0.0852],[0.5510, 0.8283],[0.1402, 0.2726],[0.3257, 0.8351]]),tensor([1, 1, 0, 0, 1, 1, 0, 0, 0]))加载模型预测
# 加载模型
modelltorch.load(4.model)
# 使用模型
outmodell(x)
outtensor([[1.5850e-04, 9.9984e-01],[1.4121e-06, 1.0000e00],[7.1068e-01, 2.8932e-01],[9.9994e-01, 5.5789e-05],[4.1401e-03, 9.9586e-01],[3.3441e-06, 1.0000e00],[9.9995e-01, 4.7039e-05],[9.9111e-01, 8.8864e-03],[1.0000e00, 1.5224e-06]], grad_fnSoftmaxBackward)out.argmax(dim1)tensor([1, 1, 0, 0, 1, 1, 0, 0, 0])对比结果
fattensor([1, 1, 0, 0, 1, 1, 0, 0, 0])查看上面out的结果和fat的结论一致不错
