PyTorch快速使用介绍–分类的实现

微信公众号：文艺数学君

关注可了解更多的教程及。问题或建议，欢迎公众号留言;

如果你觉得文艺数学君对你有帮助，欢迎转载评论

前言

特别说明

阅读正文之前一定要仔细阅读下边这些建议：

一些其他话

我发现好像发这种技术类的文章就没什么人看，发一些感想看的人就很多。但是，我还是要发。之后的话两者都会有更新，其实技术类的还是比较喜欢发在网站上，如果不想发公众号的话也会在公众号里提及一下的。

如果从文艺君的域名注册时间开始算起，8月8日就是文艺君一周年的生日了（公众号的话会更早一些，之前是在csdn上更新一些文章），之后希望可以越做越好，也是希望可以慢慢把一个系列做完，每周都可以定期更新一下。

下面就开始正式讲关于PyTorch的内容，我们这次来讲一下分类，使用PyTorch来搭建。

这一次介绍的四个模型分别是会比较两种激活函数，ReLU和Sigmoid，模型二和模型三；同时会比较不同层数的区别，模型一与模型二；同时会看一种数据增维的方法，模型四。

视频

每篇文章一个视频，这一篇也放一个之前在校园里拍的视频。（吐槽一下这个视频上传大小只能是20M，很是不方便，每次上传要压缩一遍）

实现分类

数据准备

我们首先使用sklearn中的datasets生成我们需要的数据；

我们可以画图看一下数据的样子：

从上面的图像可以看到，我们的数据呈现月牙的形状，这种形状的数据直接使用k-means聚类是不能区分的，下面我们来搭建神经网络来实现以下数据的分类；

我们首先把要使用到的库进行导入：

网络一（使用ReLU作为激活函数、三层）

下面开始介绍第一个模型，由于后面每个模型的代码内容基本差不多，即定义优化器，损失函数，训练绘图那里，就网络定义的地方有点区别，我们就着重先讲网络的结构，后面就贴一下全部的代码：

上面是我们这里使用的网络的结构，输入是2是因为数据有x和y，最后输出也是2是因为分为两类，整个网络一共有三层，下面贴一下完整的代码，注释已经写得很详细了，可以复制下来仔细看一下；

我们来看一下上面代码的输出，左边是训练集上的结果，右边是测试集上的结果：

可以看到最终可以全部分开，我们再看一下loss的情况：

网络二（使用ReLU作为激活函数、五层）

这个网络和上面的区别在于网络层数变深了，我们看一下这时候的情况，还是先看一下网络的定义：

和上面的差不多，就是变深了，看一下完整的代码：

还是看一下训练过程中结果的变化，可以看到收敛还是很快的:

接下来可以看一下loss的变化情况，和上面的模型比起来，loss下降更加快了。

网络三（使用Sigmoid作为激活函数、五层）

这个网络我们使用Sigmoid作为激活函数来尝试一下，其他的不变。我们还是先把网络结构打印出来：

接下来看一下完整的代码：

看一下这个训练的动图，可以看到epoch是一直在变化的，前面模型收敛的比较慢：

下面我们看一下loss的图，来看一下上面的想法是否正确：

可以看到使用Sigmoid作为激活函数确实会收敛的慢一些，但是也不是所有的都适合用ReLU，有很多情况我也不确定，具体用的时候可以看一下别人写的论文之类的。

网络四（使用Sigmoid作为激活函数、五层、扩充数据集）

这个模型我们会重点介绍一下数据集扩展的方式，我们之前使用的数据集只有两个维度，可以认为是x1和x2，但是有的时候只有这两个数据是不够的，我们可以通过扩充数据集的方式使得模型更快的收敛：

可以看到上面的代码，我们增加了五个特征，x1^2, x2^2, x1*x2, sin(x1)和sin(x1) ,其余的我们不变，还是使用上面的网络结构进行训练，只不过输入要改成7。

我们来看一下上面数据合并的方法，使用一个简单的例子进行查看：

接下来我们来看一下代码：

我们就直接看一下loss变化趋势的图像，可以看到这次的收敛会比上面做数据扩展之前快一些。

结语

关于上面四个模型的比较，我们可以看到当模型层数较深，且使用ReLU作为激活函数时效果会比较好，同时我们还学习了一种数据增维的方式。

这次的关于PyTorch的介绍到这里为止，其实内容也不是很多，很多代码片段都是重复的，我就只是多写了几次，方便之后直接复制来进行运行。

关于这些的学习自己还是一定要上手练习，代码不能只用看的。

我们下一篇文章再见，如果觉得好的话欢迎点赞转载！