侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

Pytorch 搭建分类回归神经网络并用GPU进行加速的例子

Python  /  管理员 发布于 5年前   317

分类网络

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as plt# 构造数据n_data = torch.ones(100, 2)x0 = torch.normal(3*n_data, 1)x1 = torch.normal(-3*n_data, 1)# 标记为y0=0,y1=1两类标签y0 = torch.zeros(100)y1 = torch.ones(100)# 通过.cat连接数据x = torch.cat((x0, x1), 0).type(torch.FloatTensor)y = torch.cat((y0, y1), 0).type(torch.LongTensor)# .cuda()会将Variable数据迁入GPU中x, y = Variable(x).cuda(), Variable(y).cuda()# plt.scatter(x.data.cpu().numpy()[:, 0], x.data.cpu().numpy()[:, 1], c=y.data.cpu().numpy(), s=100, lw=0, cmap='RdYlBu')# plt.show()# 网络构造方法一class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 隐藏层的输入和输出 self.hidden1 = torch.nn.Linear(n_feature, n_hidden) self.hidden2 = torch.nn.Linear(n_hidden, n_hidden) # 输出层的输入和输出 self.out = torch.nn.Linear(n_hidden, n_output) def forward(self, x): x = F.relu(self.hidden2(self.hidden1(x))) x = self.out(x) return x# 初始化一个网络,1个输入层,10个隐藏层,1个输出层net = Net(2, 10, 2)# 网络构造方法二'''net = torch.nn.Sequential( torch.nn.Linear(2, 10), torch.nn.Linear(10, 10), torch.nn.ReLU(), torch.nn.Linear(10, 2),)'''# .cuda()将网络迁入GPU中net.cuda()# 配置网络优化器optimizer = torch.optim.SGD(net.parameters(), lr=0.2)# SGD: torch.optim.SGD(net.parameters(), lr=0.01)# Momentum: torch.optim.SGD(net.parameters(), lr=0.01, momentum=0.8)# RMSprop: torch.optim.RMSprop(net.parameters(), lr=0.01, alpha=0.9)# Adam: torch.optim.Adam(net.parameters(), lr=0.01, betas=(0.9, 0.99))loss_func = torch.nn.CrossEntropyLoss()# 动态可视化plt.ion()plt.show()for t in range(300): print(t) out = net(x) loss = loss_func(out, y) optimizer.zero_grad() loss.backward() optimizer.step() if t % 5 == 0: plt.cla() prediction = torch.max(F.softmax(out, dim=0), 1)[1].cuda() # GPU中的数据无法被matplotlib利用,需要用.cpu()将数据从GPU中迁出到CPU中 pred_y = prediction.data.cpu().numpy().squeeze() target_y = y.data.cpu().numpy() plt.scatter(x.data.cpu().numpy()[:, 0], x.data.cpu().numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlBu') accuracy = sum(pred_y == target_y) / 200 plt.text(1.5, -4, 'accuracy=%.2f' % accuracy, fontdict={'size':20, 'color':'red'}) plt.pause(0.1)plt.ioff()plt.show()

回归网络

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as plt# 构造数据x = torch.unsqueeze(torch.linspace(-1,1,100), dim=1)y = x.pow(2) + 0.2*torch.rand(x.size())# .cuda()会将Variable数据迁入GPU中x, y = Variable(x).cuda(), Variable(y).cuda()# plt.scatter(x.data.numpy(), y.data.numpy())# plt.show()# 网络构造方法一class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 隐藏层的输入和输出 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 输出层的输入和输出 self.predict = torch.nn.Linear(n_hidden, n_output) def forward(self, x): x = F.relu(self.hidden(x)) x = self.predict(x) return x # 初始化一个网络,1个输入层,10个隐藏层,1个输出层net = Net(1, 10, 1)# 网络构造方法二'''net = torch.nn.Sequential( torch.nn.Linear(1, 10), torch.nn.ReLU(), torch.nn.Linear(10, 1),)'''# .cuda()将网络迁入GPU中net.cuda()# 配置网络优化器optimizer = torch.optim.SGD(net.parameters(), lr=0.5)# SGD: torch.optim.SGD(net.parameters(), lr=0.01)# Momentum: torch.optim.SGD(net.parameters(), lr=0.01, momentum=0.8)# RMSprop: torch.optim.RMSprop(net.parameters(), lr=0.01, alpha=0.9)# Adam: torch.optim.Adam(net.parameters(), lr=0.01, betas=(0.9, 0.99))loss_func = torch.nn.MSELoss()# 动态可视化plt.ion()plt.show()for t in range(300): prediction = net(x) loss = loss_func(prediction, y) optimizer.zero_grad() loss.backward() optimizer.step() if t % 5 == 0 : plt.cla() # GPU中的数据无法被matplotlib利用,需要用.cpu()将数据从GPU中迁出到CPU中 plt.scatter(x.data.cpu().numpy(), y.data.cpu().numpy()) plt.plot(x.data.cpu().numpy(), prediction.data.cpu().numpy(), 'r-', lw=5) plt.text(0.5, 0, 'Loss=%.4f' % loss.item(), fontdict={'size':20, 'color':'red'}) plt.pause(0.1)plt.ioff()plt.show()

以上这篇Pytorch 搭建分类回归神经网络并用GPU进行加速的例子就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。


  • 上一条:
    pytorch自定义二值化网络层方式
    下一条:
    使用PyTorch训练一个图像分类器实例
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 智能合约Solidity学习CryptoZombie第三课:组建僵尸军队(高级Solidity理论)(0个评论)
    • 智能合约Solidity学习CryptoZombie第二课:让你的僵尸猎食(0个评论)
    • 智能合约Solidity学习CryptoZombie第一课:生成一只你的僵尸(0个评论)
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客