目录
- 1. 准备分类数据
- 1.1 输入和输出的形状 shape
- 1.2 将数据转换为张量，同时将我们的数据集转换为训练集和测试集
- 2 创建模型
- 方法一：自定义+forward()
- 方法二：nn.Sequential()
- 方法三：自定义+forward()+nn.Sequential()
用 pytorch 使用神经网络进行分类
- 二分类问题：比如说收到一个邮件，判断这个邮件是不是垃圾邮件，那么这里就是二分类，是或者不是
- 多类分类问题：比如说我给你一张图片，你判断它是蛋糕、牛排或者寿司
- 多标签分类问题：它的目标不止一个选项，比如一个文件的标签可以是数学、科学、哲学等等，意味着它的标签有多个
分类问题就是给一些输入然后预测这类别属于哪个类
我们接下来要做的事情：
- 准备好二分类数据
- 创建pytorch分类模型
- 训练模型
- 预测并评估
- 提升模型性能
- 非线性
- 复制非线性函数
- 全部整合在一起
今天我们就暂时先搞两个
- 准备好二分类数据
- 创建pytorch分类模型
1. 准备分类数据
这里我们使用的是Scikit-Learn里面的make_circles()方法，生成两个不同颜色的圆圈
# 制作数据
from sklearn.datasets import make_circles# 创建1000个样本
n_samples = 1000# 创建我们的圆圈样本
X, y = make_circles(n_samples,noise=0.03, # 每个点的噪声random_state=42) # 保证我们获得相同的值
报错了，没有sklearn模块
pip install scikit-learn
ok，咱们安装一下应该就没有问题啦！
现在让我们来看看X和y的前五个值
print(f"First 5 X features:\n{X[:5]}")
print(f"first 5 y features:\n{y[:5]}")
First 5 X features:
[[ 0.75424625 0.23148074]
[-0.75615888 0.15325888]
[-0.81539193 0.17328203]
[-0.39373073 0.69288277]
[ 0.44220765 -0.89672343]]
first 5 y features:
[1 1 1 1 0]
这里我们可以看出，它是两个X对应一个y值
接下来让我们可视化一下，这样有助于我们更好的理解数据
# 将我们的圆圈数据转换为 DataFrame 格式的
import pandas as pd
circles = pd.DataFrame({"X1":X[:,0],"X2":X[:,1],"label":y})
circles.head(10)
报错：没有pandas模块
没事哒~没事哒，我们安装一下就可以啦！
pip install pandas
接着再运行代码就出现下面这个结果啦。
从上面展示的数据，咱们可以看出它是一个二分类问题，因为y值只有0或1的选项，所以让我们接着看一下每一个类别有多少数据呢
circles.label.value_counts()
label
1 500
0 500
Name: count, dtype: int64
绘制数据circle的图像
import matplotlib.pyplot as plt
plt.scatter(x=X[:,0],y=X[:,1],c=y,cmap=plt.cm.RdYlBu)
接下来看我们怎样创建一个模型，它能够很好的将点分为 0(red)， 1(blue)
1.1 输入和输出的形状 shape
# 首先，查看我们输入和输出数据的 shape
X.shape, y.shape
((1000, 2), (1000,))
# 让我们看一下第一个数据
X_sample = X[0]
y_sample = y[0]
print(f"第一个数据的X值:{X_sample},第一个数据的y值:{y_sample}")
print(f"第一个数据的shape值: X_sample shape{X_sample.shape}, y_sample shape{y_sample.shape}")
第一个数据的X值:[0.75424625 0.23148074],第一个数据的y值:1
第一个数据的shape值: X_sample shape(2,), y_sample shape()
这个结果告诉我们一个X特征是由两个值组成的向量，而y他就是一个值的标量，即我们有两个输入一个输出
1.2 将数据转换为张量，同时将我们的数据集转换为训练集和测试集
# 将数据转换为张量,并将数据转换为默认数据格式
import torch
X = torch.from_numpy(X).type(torch.float)
y = torch.from_numpy(y).type(torch.float)# 查看一下前五个样本
X[:5],y[:5]
(tensor([[ 0.7542, 0.2315],
[-0.7562, 0.1533],
[-0.8154, 0.1733],
[-0.3937, 0.6929],
[ 0.4422, -0.8967]]),
tensor([1., 1., 1., 1., 0.]))
这里我们划分训练集和测试集不是使用原来那个切分了，使用的是Scikit-Learn中的train_test_split()方法
# 划分数据为训练集和测试集
from sklearn.model_selection import train_test_split# test_size=0.2 是说测试数据占数据的20%，因为这个方法是随机划分的，因此我们这里设置了random_state=42，这样就有助于我们复现代码
X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2,random_state=42)
len(X_train), len(y_train), len(X_test), len(y_test)
(800, 800, 200, 200)
这个数据就对啦，之前我们不是1000条数据嘛，训练集占80%，测试集占20%，这个数据划分非常之合理和正确。
2 创建模型
准备好数据，我们就可以创建我们的模型啦！
我们将创建模型也划分几个步骤，这样思路能够更加清晰一些：
1.设备无关的代码
2.创建一个模型(nn.Module的子类)
3.定义损失函数和优化器
4.创建训练循环（下个文档学习昂，别着急）
准备好了吗？Let’s start right now!
import torch.nn as nndevice = "cuda" if torch.cuda.is_available() else "cpu"
device
‘cuda’
方法一：自定义+forward()
# 创建模型类，并且是 nn.Module 的子类
class CircleClassificationV0(nn.Module):def __init__(self):super().__init__()# 创建两个线性层self.liear1 = nn.Linear(in_features=2, out_features=5)self.liear2 = nn.Linear(in_features=5, out_features=1)def forward(self, x):return self.liear2(self.liear1(x))
这里有一个点就是要搞清楚这个输入和输出特征的值，即 in_features 和 out_features，之前我们讨论过输入X是2，输出y是1，所以不难理解linear1的in_features=2, 和linear2的out_features=1，注意linear1的out_features和linear2的in_features一定是一样的，因为linear1的out_features是linear2的输入，这个值是自己定的，这里选择5是因为方便我们观察数据，并了解里面的原理。
# 实例化模型，并把它送到目标设备上
model_0 = CircleClassificationV0().to(device)
model_0
CircleClassificationV0(
(liear1): Linear(in_features=2, out_features=5, bias=True)
(liear2): Linear(in_features=5, out_features=1, bias=True)
)
这里还有一个方法，nn.Sequential()构建模型，看起来代码更加简洁
方法二：nn.Sequential()
# 使用 nn.Sequential() 构建模型
model_0 = nn.Sequential(nn.Linear(in_features=1, out_features=5),nn.Linear(in_features=5, out_features=1)
).to(device)
model_0
Sequential(
(0): Linear(in_features=1, out_features=5, bias=True)
(1): Linear(in_features=5, out_features=1, bias=True)
)
这段代码会重写上面的代码，同时注意这里nn.Sequential()里面的方法都是顺序执行的，并且我们不需要写forward()方法,下面还有一种两个方法结合的，可以看看。
方法三：自定义+forward()+nn.Sequential()
class CircleClassificationV1(nn.Module):def __init__(self):super().__init__()self.linear = nn.Sequential(nn.Linear(in_features=2, out_features=5),nn.Linear(in_features=5, out_features=1))def forward(self, x):return self.linear(x)model_0 = CircleClassificationV1().to(device)
model_0
CircleClassificationV1(
(linear): Sequential(
(0): Linear(in_features=2, out_features=5, bias=True)
(1): Linear(in_features=5, out_features=1, bias=True)
)
)
这种结合两种方法的都可以使用，按照需求自己选择吧，这里我们还是采用第一种哈，再运行一遍之前的代码就可以啦，这里就不复制粘贴啦。
ok，现在我们有一个模型了，让我们看看当我们传递数据给它会发生什么
# 使用模型进行预测
untrained_preds = model_0(X_test.to(device))
print(f"Length of predictions:{len(untrained_preds)},shape:{untrained_preds.shape}")
print(f"Length of test samples:{len(y_test)}, shape:{y_test.shape}")
print(f"\nFirst 10 predictions:\n{untrained_preds[:10]}")
print(f"\nFirst 10 test labels:\n{y[:10]}")
Length of predictions:200,shape:torch.Size([200, 1])
Length of test samples:200, shape:torch.Size([200])
First 10 predictions:
tensor([[0.8031],
[0.8345],
[0.6306],
[0.8524],
[0.4873],
[0.5075],
[0.7094],
[0.6325],
[0.6370],
[0.8350]], device=‘cuda:0’, grad_fn=)
First 10 test labels:
tensor([1., 1., 1., 1., 0., 1., 1., 1., 1., 0.])
ok, 昨天就学到这里了，今天把昨天欠的账终于还了，长舒一口气
BB，我跟你说，昨天吃的绿豆饼尊嘟超级好吃，今天早上的粉丝包没有昨天的好吃，干巴得很。我棒不棒，我把目录加上了，上次说要加，这次马上就加了。
BB，如果我的文档对您有用得话，记得给俺点个赞赞
靴靴，谢谢啦~
