乙個簡單的分類問題案例的pytorch實現

import torch

import torch.nn.functional as f
import matplotlib.pyplot as plt
n_data = torch.ones(
100,2)
# torch.normal(mean, std, *, generator=none, out=none) → tensor
# mean 是乙個張量，每個輸出元素的正態分佈均值
# std 是乙個張量，每個輸出元素的正態分佈的標準偏差
x0 = torch.normal(
2*n_data,1)
y0 = torch.zeros(
100)
# 第乙個分類標籤為0
x1 = torch.normal(-2
*n_data,1)
y1 = torch.ones(
100)
# 第二個分類標籤為1
x = torch.cat(
(x0, x1),0
).type
(torch.floattensor)
y = torch.cat(
(y0, y1),)
.type
(torch.longtensor)
# matplotlib.pyplot.scatter(x, y, s=none, c=none, marker=none, cmap=none,
# norm=none, vmin=none, vmax=none, alpha=none, linewidths=none,
# verts=none, edgecolors=none, *, data=none, **kwargs)
# x, y: 表示的是大小為(n,)的陣列，也就是我們繪製散點圖的資料點，輸入資料。
# s: 是乙個實數或者是乙個陣列大小為(n,)，可選，預設為20。點的面積。
# c: 表示的是顏色，可選。預設是藍色'b'，表示的是標記的顏色，
# 或者是乙個表示顏色的字元，或者是乙個長度為n的表示顏色的序列等等，
# 但是c不可以是乙個單獨的rgb數字，也不可以是乙個rgba的序列。可以是他們的二維陣列(只有一行)。
# marker: 表示的標記的樣式，可選，預設的是'o'
# cmap: colormap，標量或者是乙個colormap的名字，cmap僅僅當c是乙個浮點數陣列的時候才使用。
# 如果沒有申明就是image.cmap，可選，預設為none。
# norm: normalize，資料亮度在0-1之間，也是只有c是乙個浮點數陣列的時候才使用。
# 如果沒有申明就是color.normalize，就是預設none
# vmin,vmax: 標量，當norm存在的時候忽略。用來進行亮度資料的歸一化，可選，預設none。
# alpha: 標量，0-1之間，可選，預設none，線的透明度
# linewidths: 也就是標記點的長度，預設none，即點的直徑
# plt.scatter(x.data[:,0], x.data[:,1], c=y.data, s=100, lw=0, cmap='rdylgn')
# plt.show()
class
net(torch.nn.module)
:def
__init__
(self, n_data, n_hidden, n_output)
:super
(net, self)
.__init__(
) self.hidden = torch.nn.linear(n_data, n_hidden)
self.predict = torch.nn.linear(n_hidden, n_output)
defforward
(self, x)
: x = torch.relu(self.hidden(x)
)#使用relu作為啟用函式
x = self.predict(x)
return x
net = net(2,
10,2)
# 類的例項化
print
(net)
plt.ion(
)plt.show(
)optimizer = torch.optim.sgd(net.parameters(
), lr=
0.03
)# 使用隨機梯度下降作為優化器
loss_function = torch.nn.crossentropyloss(
)# 使用交叉熵誤差來作為損失函式
for t in
range
(100):
out = net(x)
# 正向傳播
loss = loss_function(out, y)
# 計算損失值
optimizer.zero_grad(
)# 優化器清零
loss.backward(
)# 反向傳播求梯度
optimizer.step(
)# 更新可訓練引數
if t %2==
0:plt.cla(
)# clear axis即清除當前圖形中的當前活動軸。其他軸不受影響
prediction = torch.
max(f.softmax(out, dim=0)
,1)[
1]# 輸出softmax計算之後的最大值的索引
pred_y = prediction.data.squeeze(
) target_y = y.data
plt.scatter(x.data[:,
0], x.data[:,
1], c=pred_y, s=
100, lw=
0, cmap=
'rdylgn'
)# 繪製散點圖
accuracy =
sum(pred_y==target_y)
/200
# 計算識別精度
plt.text(
1.5,-4
,'accuracy=%.2f'
% accuracy, fontdict=
)# 輸出乙個實時的精度計算文字
plt.pause(
0.05
)# 0.05秒的暫停時間
plt.ioff(
)plt.show(
)

乙個簡單的動態規劃問題 小偷案例

前言 一 案例描述 二 問題分析 三 示例 總結動態規劃是一種演算法技巧，先舉乙個例子 如何讓乙個四歲的小孩理解動態規劃的思路？國外友人有這樣乙個例子 列出乙個1 1 1 1 1 1 1 1 的式子，讓小孩回答，小孩思索數秒後會告訴你答案是8。隨後在前面再多寫乙個 1，再提問答案是多少，小孩會瞬間告...

乙個簡單的sql審核案例

今天開發的同學發來一封郵件，希望我幫忙對乙個sql語句做乙個評估。他們也著急要用，但是為了穩妥起見，還是希望我來審核一下，這是乙個好的習慣。開啟郵件，看到的語句是下面這樣的形式。select a.cout1 b.cout2 from select count as cout1 from test o...

乙個案例的簡單總結

翻看去年處理的乙個案例，發現處理時間挺長的，而且這個案例也有點意思，就再看多兩眼，做個簡單總結。1.首先是應用伺服器效能不穩定，排查之後，伺服器是vm，要求加資源，並且所有資源都reserved.2.接著就是應用伺服器連線資料庫時很不穩定，資料庫經常報 recovery mode 好像是資料庫莫名被...