本文共 2281 字，大约阅读时间需要 7 分钟。

PyTorch基础训练代码与结果分析

代码中使用的函数简要介绍

在PyTorch中，常用到的以下函数和功能：

• Torch.normal：用于生成从相互独立的正态分布中随机生成的张量。
• Torch.cat：将两个张量（ tensor ）拼接在一起，支持沿不同维度进行拼接。

代码内容

以下是基于PyTorch实现的简单分类模型训练代码：

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
# 数据生成
n_data = torch.ones(100, 2)  # 类0样本，形状为(100, 2)
x0 = torch.normal(2 * n_data, 1)  # 类0输入数据，形状为(100, 2)
y0 = torch.zeros(100)  # 类0标签，形状为(100, 1)
x1 = torch.normal(-2 * n_data, 1)  # 类1输入数据，形状为(100, 2)
y1 = torch.ones(100)  # 类1标签，形状为(100, 1)
# 数据拼接
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)  # 形状为(200, 2)
y = torch.cat((y0, y1), ).type(torch.LongTensor)  # 形状为(200, )
# 模型定义
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 隐藏层
        self.out = torch.nn.Linear(n_hidden, n_output)  # 输出层
    def forward(self, x):
        x = F.relu(self.hidden(x))  # 激活函数为ReLU
        x = self.out(x)
        return x
net = Net(n_feature=2, n_hidden=10, n_output=2)  # 定义网络
print(net)  # 网络结构
# 优化器和损失函数
optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
loss_func = torch.nn.CrossEntropyLoss()
# 训练过程
plt.ion()  # 打开图表
for t in range(1000):
    out = net(x)  # 前向传播，预测
    loss = loss_func(out, y)  # 计算损失
    optimizer.zero_grad()  # 清除梯度
    loss.backward()  # 反向传播
    optimizer.step()  # 应用梯度更新
    if t % 2 == 0:
        plt.cla()  # 清理图表
        prediction = torch.max(out, 1)[1]  # 获取预测标签
        pred_y = prediction.data.numpy()  # 转换为numpy数组
        target_y = y.data.numpy()  # 获取真实标签
        plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], 
                   c=pred_y, s=100, lw=0, cmap='RdYlGn')
        accuracy = float((pred_y == target_y).astype(int).sum()) / float(target_y.size)
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, 
                fontdict={'size': 20, 'color': 'red'})
        plt.pause(1)
plt.ioff()
plt.show()

代码运行结果

通过代码运行可以观察到以下结果：

• 代码生成了两个类别（类0和类1）的数据集，形状分别为(100, 2)和(100, 1)，并通过torch.cat函数将它们拼接为(200, 2)的输入数据和(200,)的标签数据。
• 定义了一个简单的三层感知机模型，包含隐藏层和输出层。
• 通过torch.optim.SGD优化器和CrossEntropyLoss函数进行训练。
• 代码每隔两次迭代绘制一次训练图表，并显示分类准确率。

训练过程中，图表展示了分类准确率的变化趋势，随着训练次数的增加，准确率逐步提升，最终趋于收敛。

课程推荐

关注我们的公众号，获取更多关于《计算机视觉与图形学》相关知识和课程资料！