这一节，用pytorch实现神经网络分类问题，再次熟悉pytorch搭建神经网络的步骤。
1. 问题的提出分类问题是将数据划分种类的一种问题，常见的有二分类和多分类问题，这节就是做一个简单的二分类问题。
同样，我们先做一组数据。其中第一组数据的标签为0，第二组数据标签为1。
# x0，x1是数据，y0,y1是标签n_data = torch.ones(100, 2) # 数据的基本形态x0 = torch.normal(2*n_data, 1) # 类型0 x data (tensor), shape=(100, 2)y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, )x1 = torch.normal(-2*n_data, 1) # 类型1 x data (tensor), shape=(100, 1)y1 = torch.ones(100) # 类型1 y data (tensor), shape=(100, )将两组数据进行融合，并用散点图表示出来，明显地看到可以将数据分为2类，即红绿各代表一类。
神经网络模型的搭建和上一节回归问题基本一样，也是先搭建网络框架，再创建模型、优化器、损失函数。
要注意的是，在这个分类问题中我们输入的数据x是2维的,输出的预测值也是2维的（几分类问题输出就是几维），因此各个网络层的神经单元数要改变。
input_dim = 2hidden_dim = 10out_dim = 2还有一点不同之处在于损失函数选用的是交叉熵(CrossEntropy) ，这是在做回归问题时常用的损失函数，而分类问题中最后一层的激活函数常选用的是softmax。
有关交叉熵这有一篇博客介绍的很清晰，可以看一下。
pytorch中将两者集成在了torch.nn.CrossEntropyLoss() 这个函数中了，我们直接调用就好。
loss_func = nn.CrossEntropyLoss() 3. 结果展示同样，我们输出训练过程中的loss值图像，发现损失值是在不断减小的，也就意味着模型拟合的越来越好。
要注意的是，这时给出的prediction并不是最后的分类值，而是一个Tensor数据格式，如[0.3,0.7]，表示神经网络预测的样本属于每类的概率，所以需要取这个概率的最大值来表示最后的分类。
最后的分类结果展示图：
代码参考了莫烦大神的教程，完整代码放在这里：
# 神经网络的搭建--分类任务 #import torchimport matplotlib.pyplot as pltimport torch.nn.functional as F # 激励函数都在这# x0，x1是数据，y0,y1是标签n_data = torch.ones(100, 2) # 数据的基本形态x0 = torch.normal(2*n_data, 1) # 类型0 x data (tensor), shape=(100, 2)y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, )x1 = torch.normal(-2*n_data, 1) # 类型1 x data (tensor), shape=(100, 1)y1 = torch.ones(100) # 类型1 y data (tensor), shape=(100, )# 注意 x, y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)x = torch.cat((x0, x1), 0).type(torch.FloatTensor) # FloatTensor = 32-bit floatingy = torch.cat((y0, y1), ).type(torch.LongTensor) # LongTensor = 64-bit integerplt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')plt.show()# 建立神经网络class Net(torch.nn.Module): # 继承 torch 的 Module def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 继承 __init__ 功能 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出 self.out = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出 def forward(self, x): # 正向传播输入值, 神经网络分析出输出值 x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值) x = self.out(x) # 输出值, 但是这个不是预测值, 预测值还需要再另外计算 return xnet = Net(n_feature=2, n_hidden=10, n_output=2) # 几个类别就几个 output# 训练网络optimizer = torch.optim.SGD(net.parameters(), lr=0.02) # 算误差的时候, 注意真实值!不是! one-hot 形式的, 而是1D Tensor, (batch,)# 但是预测值是2D tensor (batch, n_classes)loss_func = torch.nn.CrossEntropyLoss()plt.ion() # 画图plt.show()for t in range(100): out = net(x) # 喂给 net 训练数据 x, 输出分析值 loss = loss_func(out, y) # 计算两者的误差 optimizer.zero_grad() loss.backward() optimizer.step() # 可视化展示 if t % 2 == 0: plt.cla() # 过了一道 softmax 的激励函数后的最大概率才是预测值 prediction = torch.max(F.softmax(out), 1)[1] pred_y = prediction.data.numpy().squeeze() target_y = y.data.numpy() plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlGn') accuracy = sum(pred_y == target_y) / 200. # 计算准确度 plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1)plt.ioff() # 停止画图plt.show() 补充：激励函数和损失函数的选择在神经网络中针对不同问题会用到不同的激励函数和损失函数，比如上节回归问题用到的就是relu激活函数和mse损失函数，而这节分类问题我们最后一层用到的就是softmax激活函数和crossentropy损失函数。
针对最后一层激活函数的选择和损失函数的选择，有一个图可以参考，来自这篇博客。