PyTorch 教程-在 PyTorch 中测试深度神经网络

我们将绘制一个精确的决策边界来分离我们的分类结果。在此，我们还将测试我们的模型。训练模型的步骤如下：

步骤 1:

def plot_decision_boundary(x, y):  

步骤 2:

x_span=np.linspace(min(x[:,0]),max(x[:,0]))  y_span=np.linspace(min(y[:,1]),max(y[:,1]))

步骤 3:

xx,yy=np.meshgrid(x_span,y_span)

meshgrid() 函数接受向量 x_span 和 y_span 作为参数。这两个向量都包含50个元素，这个函数将返回一个 50x50 矩阵的二维数组。新添加的行将是 x_span 向量中原始行的重复副本，并返回给 xx 变量。y_span 的过程相同；它将返回一个 50x50 矩阵的二维数组，其中新添加的列将是 y_span 向量中原始列的重复副本。这个矩阵将返回给 yy 变量。

步骤 4:

print(xx.ravel(),yy.ravel())

步骤 5:

grid=np.c_[xx.ravel(),yy.ravel()]

专属福利 
👉点击领取：最全Python资料合集

grid=torch.Tensor(np.c_[xx.ravel(),yy.ravel()])

步骤 6:

model.forward(grid)

pred_func=model.forward(grid)

步骤 7:

z=pred_func.view(xx.shape).numpy()

z=pred_func.view(xx.shape).detach().numpy()

步骤 8:

plt.contourf(xx, yy,z)

步骤 9:

plot_decision_boundary(x,y)  scatter_plot()

步骤 10：

p1=torch.Tensor(0.25,0.25])

步骤 11：

plt.plot(p1[0],p1[1],marker='o',markersize=5,color='red')

plt.plot(p1.numpy()[0],p1.numpy()[1],marker='o',markersize=5,color='red')

步骤 12：

我们可以对这个点进行预测。我们将预测这个点属于正区域 2 类别 1 的概率。我们知道所有橙色的点都被标记为 1，所有蓝色的点都被标记为 0。因此，概率可以确定为

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

步骤 13：

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

步骤 14：

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

我们的模型运行顺利，并能准确地处理随机数据。

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=500  x,y=datasets.make_circles(n_samples=no_of_points,random_state=123,noise=0.1,factor=0.2)  xdata=torch.Tensor(x)  ydata=torch.Tensor(y)  def scatter_plot():      plt.scatter(x[y==0,0],x[y==0,1])      plt.scatter(x[y==1,0],x[y==1,1])      plt.show()  class Deep_neural_network(nn.Module):      def __init__(self,input_size, h1, output_size):          super().__init__()          self.linear=nn.Linear(input_size, h1)   # input layer connect with hidden layer           self.linear1=nn.Linear(h1, output_size)   # hidden layer connect with output layer      def forward(self,x):          x=torch.sigmoid(self.linear(x)) # Return the prediction x           x=torch.sigmoid(self.linear1(x))    # Prediction will go through the next layer.          return x        # Returning final outputs       def predict(self,z):          pred=self.forward(z)          if pred>=0.5:              return 1          else:              return 0  torch.manual_seed(2)  model= Deep_neural_network(2,4,1)   # 2 input nodes, 4 hidden nodes and 1 output node  print(list(model.parameters()))  criterion=nn.BCELoss()  optimizer=torch.optim.Adam(model.parameters(),lr=0.1)  epochs=1000  losses=[]  for i 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 plot_decision_boundary(x, y):      x_span=np.linspace(min(x[:,0]),max(x[:,0]))      y_span=np.linspace(min(x[:,1]),max(x[:,1]))      xx,yy=np.meshgrid(x_span,y_span)      grid=torch.Tensor(np.c_[xx.ravel(),yy.ravel()])      pred_func=model.forward(grid)      z=pred_func.view(xx.shape).detach().numpy()      plt.contourf(xx,yy,z)  z1=0.25  z2=0.25  p1=torch.Tensor([z1,z2])  plt.plot(p1.numpy()[0],p1.numpy()[1],marker='o',markersize=5,color='red')  print("Red point positive probability={}".format(model.forward(p1).item()))  print("Red point in calss={}".format(model.predict(p1)))  plot_decision_boundary(x,y)  scatter_plot()

 1

热门推荐

• 微信为什么使用 SQLite 保存聊天记录？
• 最新！2024最新9款红包封面！
• PyTorch 教程-实现深度神经网络