PyTorch 教程-测试感知机模型

本文讨论了感知机模型的目的是对数据进行分类，并根据先前标记的数据，告诉我们癌症的可能性是最大还是最小。

我们的模型已经训练完成，现在，我们需要测试模型是否能顺利工作并给出准确的结果。为此，我们需要在代码中添加一些更多的功能。

测试模型的步骤如下：

步骤 1

p1=torch.Tensor([1.0,-1.0])  p2=torch.Tensor([-1.0,-1.5])

步骤 2

plt.plot(p1[0],p1[1],'ro')  plt.plot(p2[0],p2[1],'ko')

plt.plot(p1.numpy()[0],p1.numpy()[1],'ro')  plt.plot(p2.numpy()[0],p2.numpy()[1],'ko')

专属福利 
👉点击领取：最全Python资料合集

步骤 3

print("Red point positive probability={}".format(model.forward(p1).item()))  print("Black point positive probability={}".format(model.forward(p2).item()))

步骤 4

def predict(self,x):      pred=torch.sigmoid(self.linear(x))      if pred>=0.5:          return 1      else:          return 0   

步骤 5

print("Red point in calss={}".format(model.predict(p1)))  print("Black point in calss={}".format(model.predict(p2)))

很明显，我们的模型能够顺利工作，并且能够用随机数据给出准确的结果。

完整代码

import torch  import numpy as np  import matplotlib.pyplot as plt  import torch.nn as nn  from sklearn import datasets  no_of_points=100  centers=[[-0.5,0.5],[0.5,-0.5]]  x,y=datasets.make_blobs(n_samples=no_of_points,random_state=123,centers=centers,cluster_std=0.4)  xdata=torch.Tensor(x)  ydata=torch.Tensor(y.reshape(100,1))  def Scatter():      plt.scatter(x[y==0,0],x[y==0,1])      plt.scatter(x[y==1,0],x[y==1,1])  class Perceptron_model(nn.Module):      def __init__(self,input_size,output_size):          super().__init__()          self.linear=nn.Linear(input_size,output_size)      def forward(self,x):          pred=torch.sigmoid(self.linear(x))          return pred      def predict(self,x):          pred=torch.sigmoid(self.linear(x))          If pred>=0.5:              return 1          else:              return 0  torch.manual_seed(2)  model= Perceptron_model(2,1)  criterion=nn.BCELoss()  optimizer=torch.optim.SGD(model.parameters(),lr=0.01)  print(list(model.parameters()))  [A,B]=model.parameters()  A1,A2=A.view(2)  B1=B[0]  epochs=1000  losses=[]  fori in range(epochs):      ypred=model.forward(xdata)      loss=criterion(ypred,ydata)      print("epoch:",i,"loss:",loss.item())      losses.append(loss)      optimizer.zero_grad()      loss.backward()      optimizer.step()  def get_perameters():      return(A1.item(),A2.item(),B[0].item())  def plotfit(title):      plt.title=title      A1,A2,B1=get_perameters()      x1=np.array([-2.0,2.0])      y1=((A1*x1)+B1)/-A2      plt.plot(x1,y1,'r')      Scatter()      plt.show()  p1=torch.Tensor([1.0,-1.0])  p2=torch.Tensor([-1.0,-1.5])  plt.plot(p1.numpy()[0],p1.numpy()[1],'ro')  plt.plot(p2.numpy()[0],p2.numpy()[1],'ko')  print("Red point positive probability={}".format(model.forward(p1).item()))  print("Black point positive probability={}".format(model.forward(p2).item()))  print("Red point in calss={}".format(model.predict(p1)))  print("Black point in calss={}".format(model.predict(p2)))  plotfit('Initial Model')

输出

 1

热门推荐

• 躺了很久，发现996真的是福报，有钱挣、有活干、有苦吃、有罪受真是一大幸事
• PyTorch 教程-训练感知器模型
• iOS快捷指令：如何使用一键拨号？