如何在pytorch中使用visdom处理简单分类

　　介绍

本篇文章为大家展示了如何在pytorch中使用visdom处理简单分类,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。

pytorch的优点

1. pytorch是相当简洁且高效快速的框架;2。设计追求最少的封装;3。设计符合人类思维,它让用户尽可能地专注于实现自己的想法;4。与谷歌的Tensorflow类似,公平的支持足以确保pytorch获得持续的开发更新;5。PyTorch作者亲自维护的论坛供用户交流和求教问题6。入门简单

<强>环境

系统:赢得10
显卡:gtx965m
cpu: i7 - 6700总部
python 3.61

0.3 pytorch <强>包引用

import 火炬 　　得到torch.autograd  import 变量 　　import  torch.nn.functional  as  F 　　import  numpy  as  np 　　import  visdom 　　import 时间 　　得到torch  import  nn, optim

<强>数据准备

use_gpu =,真的 　　时间=ones  np.ones ((500 2)) 　　时间=x1  torch.normal (6 * torch.from_numpy(的),2) 　　时间=y1  torch.zeros (500), 　　时间=x2  torch.normal (6 * torch.from_numpy (1 * [1]), 2) 　　时间=y2  y1  + 1 　　时间=x3  torch.normal (6 * torch.from_numpy(的),2) 　　时间=y3  y1  + 2 　　时间=x4  torch.normal (6 * torch.from_numpy (1 * [1]), 2) 　　时间=y4  y1  + 3, 　　 　　时间=x  torch.cat (x1, x2, x3 , x4),, 0) .float () 　　y =, torch.cat (y1, y2,祝福,y3, y4),,) .long ()

可视化如下看一下:

如何在pytorch中使用visdom处理简单分类

<强> visdom可视化准备

先建立需要观察的windows

viz =, visdom.Visdom () 　　时间=colors  np.random.randint(0255(4,3)), #颜色随机 　　#线图用来观察loss 和准确性 　　时间=line  viz.line (X=np.arange (1、10、1),, Y=np.arange (1 10 1)) 　　#散点图用来观察分类变化 　　时间=scatter  viz.scatter ( 　　X=X,才能 　　,,Y=Y + 1,, 　　选择=dict(才能 　　,,,markercolor =,颜色, 　　,,,marksize =, 5, 　　传说,,,=(“0”,“1”、“2”、“3”))) 　　# text 窗口用来显示loss  accuracy ,时间 　　时间=text  viz.text (“FOR  TEST") 　　#散点图做对比 　　viz.scatter ( 　　X=X,才能 　　,,Y=Y + 1,, 　　选择=dict(才能 　　,,,markercolor =,颜色, 　　,,,marksize =, 5, 　　传说,,,=(“0”,“1”、“2”、“3”) 　　),才能 　　)

效果如下:

如何在pytorch中使用visdom处理简单分类

<强>逻辑回归处理

输入2、输出4

logstic =, nn.Sequential ( 　　nn.Linear才能(2、4) 　　)

gpu还是cpu选择:

if  use_gpu: 　　时间=gpu_status 才能;torch.cuda.is_available () 　　if 才能;gpu_status: 　　,,,logstic =, logstic.cuda () 　　,,,#,net =, net.cuda () 　　,,,print(“# # # # # # # # # # # # # # #使用gpu # # # # # # # # # # # # # #“) 　　else 才能:打印(“# # # # # # # # # # # # # # #使用cpu # # # # # # # # # # # # # #“) 　　其他: 　　gpu_status 才能=False 　　打印才能(“# # # # # # # # # # # # # # #使用cpu # # # # # # # # # # # # # #“)

优化器和损失函数:

loss_f =, nn.CrossEntropyLoss () 　　时间=optimizer_l  optim.SGD (logstic.parameters (),, lr=0.001)

训练2000次:

start_time =, time.time () 　　time_point, loss_point, accuracy_point =, [], [], [] 　　for  t 拷贝范围(2000): 　　if 才能;gpu_status: 　　,,,train_x =,变量(x) .cuda () 　　,,,train_y =,变量(y) .cuda () 　　其他的才能: 　　,,,train_x =,变量(x) 　　,,,train_y =,变量(y) 　　#,才能out =,净(train_x) 　　时间=out_l 才能;logstic (train_x) 　　时间=loss 才能;loss_f (out_l train_y) 　　optimizer_l.zero_grad才能() 　　loss.backward才能() 　　optimizer_l.step才能()

训练过成观察及可视化:

if  t  %, 10,==, 0: 　　prediction 才能=,torch.max (F.softmax out_l,, 1,, 1) [1] 　　pred_y 才能=prediction.data 　　accuracy 才能=,总和(pred_y ==train_y.data)/浮动(2000.0) 　　loss_point.append才能(loss.data [0]) 　　accuracy_point.append才能(精度) 　　time_point.append才能(time.time () -start_time) 　　print(才能“[{}/{}],|,accuracy :, {: .3f}, |, loss :, {: .3f}, |, time :, {: .2f},“.format (t  +, 1, 2000,,准确性,,loss.data [0], 　　,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,time.time(),安康;start_time)) 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null 　　null

如何在pytorch中使用visdom处理简单分类