这篇文章主要介绍“基于Pytorch怎么实现分类器”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“基于Pytorch怎么实现分类器”文章能帮助大家解决问题。
Softmax分类是一种常用的多类别分类算法，它可以将输入数据映射到一个概率分布上。Softmax分类首先将输入数据通过线性变换得到一个向量，然后将向量中的每个元素进行指数函数运算，最后将指数运算结果归一化得到一个概率分布。这个概率分布可以被解释为每个类别的概率估计。
定义一个softmax分类器类:
class SoftmaxClassifier(nn.Module): def __init__(self,input_size,output_size): # 调用父类的__init__()方法进行初始化 super(SoftmaxClassifier,self).__init__() # 定义一个nn.Linear对象，用于将输入特征映射到输出类别 self.linear = nn.Linear(input_size,output_size) def forward(self,x): x = self.linear(x) # 传递给线性层 return nn.functional.softmax(x,dim=1) # 得到概率分布 def compute_accuracy(self,output,labels): preds = torch.argmax(output,dim=1) # 获取每个样本的预测标签 correct = torch.sum(preds == labels).item() # 计算正确预测的数量 accuracy = correct / len(labels) # 除以总样本数得到准确率 return accuracy
如上定义三个方法：
__init__(self)：构造函数，在类初始化时运行，调用父类的__init__()方法进行初始化
forward(self)：模型前向计算过程
compute_accuracy(self)：计算模型的预测准确率
生成训练数据:
import numpy as np # 生成随机样本(包含训练数据和测试数据) def generate_rand_samples(dot_num=100): x_p = np.random.normal(3., 1, dot_num) y_p = np.random.normal(3., 1, dot_num) y = np.zeros(dot_num) C1 = np.array([x_p, y_p, y]).T x_n = np.random.normal(7., 1, dot_num) y_n = np.random.normal(7., 1, dot_num) y = np.ones(dot_num) C2 = np.array([x_n, y_n, y]).T x_n = np.random.normal(3., 1, dot_num) y_n = np.random.normal(7., 1, dot_num) y = np.ones(dot_num)*2 C3 = np.array([x_n, y_n, y]).T x_n = np.random.normal(7, 1, dot_num) y_n = np.random.normal(3, 1, dot_num) y = np.ones(dot_num)*3 C4 = np.array([x_n, y_n, y]).T data_set = np.concatenate((C1, C2, C3, C4), axis=0) np.random.shuffle(data_set) return data_set[:,:2].astype(np.float32),data_set[:,2].astype(np.int32) X_train,y_train = generate_rand_samples() y_train[y_train == -1] = 0
设置训练前的前置参数，并初始化分类器
num_inputs = 2 # 输入维度大小 num_outputs = 4 # 输出维度大小 learning_rate = 0.01 # 学习率 num_epochs = 2000 # 训练周期数 # 归一化数据 将数据特征减去均值再除以标准差 X_train = (X_train - X_train.mean(axis=0)) / X_train.std(axis=0) y_train = y_train.astype(np.compat.long) # 创建model并初始化 model = SoftmaxClassifier(num_inputs, num_outputs) criterion = nn.CrossEntropyLoss() # 交叉熵损失 optimizer = optim.SGD(model.parameters(), lr=learning_rate) # SGD优化器
训练:
# 遍历训练周期数
for epoch in range(num_epochs):
outputs = model(torch.tensor(X_train)) # 前向传递计算
loss = criterion(outputs,torch.tensor(y_train)) # 计算预测输出和真实标签之间的损失
train_accuracy = model.compute_accuracy(outputs,torch.tensor(y_train)) # 计算模型当前训练周期中准确率
optimizer.zero_grad() # 清楚优化器中梯度
loss.backward() # 计算损失对模型参数的梯度
optimizer.step()
# 打印信息
if (epoch + 1) % 10 == 0:
print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}, Accuracy: {train_accuracy:.4f}")运行：
Epoch [1820/2000], Loss: 0.9947, Accuracy: 0.9575
Epoch [1830/2000], Loss: 0.9940, Accuracy: 0.9600
Epoch [1840/2000], Loss: 0.9932, Accuracy: 0.9600
Epoch [1850/2000], Loss: 0.9925, Accuracy: 0.9600
Epoch [1860/2000], Loss: 0.9917, Accuracy: 0.9600
....
生成测试并测试:
X_test, y_test = generate_rand_samples() # 生成测试数据
X_test = (X_test- np.mean(X_test)) / np.std(X_test) # 归一化
y_test = y_test.astype(np.compat.long)
predicts = model(torch.tensor(X_test)) # 获取模型输出
accuracy = model.compute_accuracy(predicts,torch.tensor(y_test)) # 计算准确度
print(f'Test Accuracy: {accuracy:.4f}')输出：
Test Accuracy: 0.9725
绘制图像:
# 绘制图像 x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1 y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1), np.arange(y_min, y_max, 0.1)) Z = model(torch.tensor(np.c_[xx.ravel(), yy.ravel()], dtype=torch.float32)).argmax(dim=1).numpy() Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, alpha=0.4) plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, s=20, edgecolor='k') plt.show()
实现与上述softmax分类器相似，此处实现sigmod感知机，采用sigmod作为分类函数，该函数可以将线性变换的结果映射为0到1之间的实数值，通常被用作神经网络中的激活函数
sigmoid感知机的学习算法与普通的感知机类似，也是采用随机梯度下降（SGD）的方式进行更新。不同之处在于，sigmoid感知机的输出是一个概率值，需要将其转化为类别标签。
通常使用阈值来决定输出值所属的类别，如将输出值大于0.5的样本归为正类，小于等于0.5的样本归为负类。
# 感知机分类器 class PerceptronClassifier(nn.Module): def __init__(self, input_size,output_size): super(PerceptronClassifier, self).__init__() self.linear = nn.Linear(input_size,output_size) def forward(self, x): logits = self.linear(x) return torch.sigmoid(logits) def compute_accuracy(self, pred, target): pred = torch.where(pred >= 0.5, 1, -1) accuracy = (pred == target).sum().item() / target.size(0) return accuracy
给定一个输入向量(x1,x2,x3...xn)，输出为y=σ(w⋅x+b)=1/(e^−(w⋅x+b))
生成训练集:
def generate_rand_samples(dot_num=100): x_p = np.random.normal(3., 1, dot_num) y_p = np.random.normal(3., 1, dot_num) y = np.ones(dot_num) C1 = np.array([x_p, y_p, y]).T x_n = np.random.normal(6., 1, dot_num) y_n = np.random.normal(0., 1, dot_num) y = np.ones(dot_num)*-1 C2 = np.array([x_n, y_n, y]).T data_set = np.concatenate((C1, C2), axis=0) np.random.shuffle(data_set) return data_set[:,:2].astype(np.float32),data_set[:,2].astype(np.int32) X_train,y_train = generate_rand_samples() X_test,y_test = generate_rand_samples()
该过程与上述softmax分类器相似:
num_inputs = 2 num_outputs = 1 learning_rate = 0.01 num_epochs = 200 # 归一化数据 将数据特征减去均值再除以标准差 X_train = (X_train - X_train.mean(axis=0)) / X_train.std(axis=0) # 创建model并初始化 model = PerceptronClassifier(num_inputs, num_outputs) optimizer = optim.SGD(model.parameters(), lr=learning_rate) # SGD优化器 criterion = nn.functional.binary_cross_entropy
训练：
# 遍历训练周期数
for epoch in range(num_epochs):
outputs = model(torch.tensor(X_train))
labels = torch.tensor(y_train).unsqueeze(1)
loss = criterion(outputs,labels.float())
train_accuracy = model.compute_accuracy(outputs, labels)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (epoch + 1) % 10 == 0:
print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}, Accuracy: {train_accuracy:.4f}")输出:
Epoch [80/200], Loss: -0.5429, Accuracy: 0.9550
Epoch [90/200], Loss: -0.6235, Accuracy: 0.9550
Epoch [100/200], Loss: -0.7015, Accuracy: 0.9500
Epoch [110/200], Loss: -0.7773, Accuracy: 0.9400
....
X_test, y_test = generate_rand_samples() # 生成测试集
X_test = (X_test - X_test.mean(axis=0)) / X_test.std(axis=0)
test_inputs = torch.tensor(X_test)
test_labels = torch.tensor(y_test).unsqueeze(1)
with torch.no_grad():
outputs = model(test_inputs)
accuracy = model.compute_accuracy(outputs, test_labels)
print(f"Test Accuracy: {accuracy:.4f}")绘图:
x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1 y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1 xx, yy = torch.meshgrid(torch.linspace(x_min, x_max, 100), torch.linspace(y_min, y_max, 100)) # 预测每个点的类别 Z = torch.argmax(model(torch.cat((xx.reshape(-1,1), yy.reshape(-1,1)), 1)), 1) Z = Z.reshape(xx.shape) # 绘制分类图 plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral,alpha=0.0) # 绘制分界线 w = model.linear.weight.detach().numpy() # 权重 b = model.linear.bias.detach().numpy() # 偏置 x1 = np.linspace(x_min, x_max, 100) x2 = (-b - w[0][0]*x1) / w[0][1] plt.plot(x1, x2, 'k-') # 绘制样本点 plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=plt.cm.Spectral) plt.show()
关于“基于Pytorch怎么实现分类器”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注亿速云行业资讯频道，小编每天都会为大家更新不同的知识点。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
