pytorch + visdom 处理简单分类问题的示例

环境

　　系统 ： win 10
显卡：gtx965m
cpu ：i7-6700HQ
python 3.61
pytorch 0.3

　　包引用

　　 import torch from torch.autograd import Variable import torch.nn.functional as F import numpy as np import visdom import time from torch import nn,optim

　　数据准备

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

　　可视化如下看一下：

　　visdom可视化准备

　　先建立需要观察的windows

　　 viz = visdom.Visdom() colors = np.random.randint(0,255,(4,3)) #颜色随机 #线图用来观察loss 和 accuracy 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 scatter = viz.scatter( X=x, Y=y+1, opts=dict( markercolor = colors, marksize = 5, legend=[0,1,2,3]),) #text 窗口用来显示loss 、accuracy 、时间 text = viz.text(FOR TEST) #散点图做对比 viz.scatter( X=x, Y=y+1, opts=dict( markercolor = colors, marksize = 5, legend=[0,1,2,3] ), )

　　效果如下：

　　逻辑回归处理

　　输入2，输出4

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

　　gpu还是cpu选择：

　　 if use_gpu: gpu_status = torch.cuda.is_available() if gpu_status: logstic = logstic.cuda() # net = net.cuda() print(###############使用gpu##############) else : print(###############使用cpu##############) else: gpu_status = False print(###############使用cpu##############)

　　优化器和loss函数：

　　 loss_f = nn.CrossEntropyLoss() 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 in range(2000): if gpu_status: train_x = Variable(x).cuda() train_y = Variable(y).cuda() else: train_x = Variable(x) train_y = Variable(y) # out = net(train_x) out_l = logstic(train_x) loss = loss_f(out_l,train_y) optimizer_l.zero_grad() loss.backward() optimizer_l.step()

　　训练过成观察及可视化：

　　我们先用cpu运行一次，结果如下：

　　然后用gpu运行一下，结果如下：

　　发现cpu的速度比gpu快很多，但是我听说机器学习应该是gpu更快啊，百度了一下，知乎上的答案是：

　　我的理解就是gpu在处理图片识别大量矩阵运算等方面运算能力远高于cpu，在处理一些输入和输出都很少的，还是cpu更具优势。

　　添加神经层：

　　 net = nn.Sequential( nn.Linear(2, 10), nn.ReLU(), #激活函数 nn.Linear(10, 4) )

　　添加一层10单元神经层，看看效果是否会有所提升：

　　使用cpu：

使用gpu：

　　比较观察，似乎并没有什么区别，看来处理简单分类问题（输入，输出少）的问题，神经层和gpu不会对机器学习加持。

　　以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。