云计算学习：用PyTorch实现一个简单的分类器

回想了一下自己关于 pytorch 的学习路线，一开始找的各种资料，写下来都能跑，但是却没有给自己体会到学习的过程。有的教程一上来就是写一个 cnn，虽然其实内容很简单，但是直接上手容易让人找不到重点，学的云里雾里。有的教程又浅尝辄止，师傅领到了门槛跟前，总感觉自己还没有进门，教程就结束了。

所以我总结了一下自己当初学习的路线，准备继续深入巩固自己的 pytorch 基础；另一方面，也想从头整理一个教程，从没有接触过 pytorch 开始，到完成一些最新论文里面的工作。以自己的学习笔记整理为主线，大家可以针对参考。

第一篇笔记，我们先完成一个简单的分类器。主要流程分为以下三个部分：

1，自定义生成一个训练集，具体为在二维平面上的一些点，分为两类；

2，构建一个浅层神经网络，实现对特征的拟合，主要是明白在 pytorch 中网络结构如何搭建；

3，完成训练和测试部分的工作，熟悉 pytorch 如何对网络进行训练和测试。

1. 自定义生成数据集

n_data = torch.ones(100, 2)  x0 = torch.normal(2*n_data, 1)  y0 = torch.zeros(100)  x1 = torch.normal(-2*n_data, 1)  y1 = torch.ones(100)  x = torch.cat((x0, x1)).type(torch.FloatTensor)  y = torch.cat((y0, y1)).type(torch.LongTensor) 

这篇文章我们先考虑在一个自己定义的简单数据集上实现分类，这样子可以最简单的了解一个神经网络的模型，如何用 pytorch 搭建起来。

这个代码对 numpy 比较熟悉的同学应该也可以猜出来它的内容，只是在 numpy 中是一个 numpy array，在 pytorch 中是一个 tensor。这里我简单的介绍一下这几行代码的作用，给有需要的同学捋顺思路。

首先 n_data 是基准数据，用来生成其它数据，内容为一个 100 行 2 列 的 tensor，其中的值都为 1。x0 是一类数据的坐标值，通过这个 n_data 来生成。

具体的生成的办法是用 torch.normal() 这个函数，第一个参数为 mean，第二个参数是 std。所以返回的结果 x0 是一个和 n_data 形状一样，但是其中的数据在以 2 为平均值，以 1 为标准差的正态分布中随机选取的。y0 则是一个 100 维的 tensor，其中的值都为 0。

我们可以这样理解 x0 和 y0，x0 的形状是 100 行 2 列的 tensor，其中的值以 2 为中心进行随机分布，符合正态分布，而这些点的标签我们设置为 y0，也就是 0。与此相反，x1 对应的中心为 -2，且标签为 y1，也就是每个点的标签都为 1。

最后生成的 x 和 y，就是将所有的数据合并起来，x0 和 x1 合并起来作为数据，y0 和 y1 合并起来作为标签。

2. 构建一个浅层神经网络

class Net(torch.nn.Module):      def __init__(self, n_feature, n_hidden, n_output):          super(Net, self).__init__()          self.n_hidden = torch.nn.Linear(n_feature, n_hidden)          self.out = torch.nn.Linear(n_hidden, n_output)      def forward(self, x_layer):          x_layer = torch.relu(self.n_hidden(x_layer))          x_layer = self.out(x_layer)          x_layer = torch.nn.functional.softmax(x_layer)          return x_layer  net = Net(n_feature=2, n_hidden=10, n_output=2)  # print(net)  optimizer = torch.optim.SGD(net.parameters(), lr=0.02)  loss_func = torch.nn.CrossEntropyLoss() 

上面的 Net() 类就是如何构建一个神经网络的步骤。我们如果是第一次用 pytorch 写一个神经网络，那么这个就是一个足够简单的例子了。其中的内容由两部分组成，分别是 __init__() 函数和 forward() 函数。

大家可以简单的这样子理解：__init__() 函数中，是对网络结构的定义，都有哪些层，每层又有什么功能。例如这个函数中，self.n_hidden 就是定义了一个线性拟合函数，也就是全连接层，在此处相当于一个向隐藏层的映射。输入是 n_feature，输出是隐藏层的神经元个数 n_hidden。然后 self.out 也一样是一个全连接层，输入是刚才的隐藏层的神经元个数 n_hidden，输出是最后的输出结果 n_output。

接着就是 forward() 函数，在这里相当于定义我们神经网络的执行顺序。所以这里可以看到，先对输入的 x_layer 执行上面的隐藏层函数，也就是第一个全连接 self.n_hidden()，然后对输出再执行激活函数 relu。接下来如法炮制，经过一个输出层 self.out()，得到最后的输出。然后将输出 x_layer 返回。

optimizer 就是这里定义的优化方式，其中的 lr 是学习率的参数。然后损失函数我们选择交叉熵损失函数，也就是上面的最后一行代码。优化算法和损失函数，可以在 pytorch 中直接选择不同的 api 接口，形式上直接参考上面这种固定形式便可。

3. 完成训练和测试

for i in range(100):      out = net(x)      # print(out.shape, y.shape)      loss = loss_func(out, y)      optimizer.zero_grad()      loss.backward()      optimizer.step() 

接下来我们看一下如何进行训练的过程。net() 是我们对 Net() 类实例化出来的一个对象，所以利用 net() 可以直接完成模型的运行，out 就是模型预测出来的结果，loss 则是和真实值按照交叉熵损失函数计算出来的误差。

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!