PyTorch实现多分类任务

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53

import torch import torch.nn as nn import torch.optim as optim   '''定义模型''' class SimpleModel(nn.Module):     '''     方便理解，这里只定义了一层网络     input_size: 输入维度（这里表示每个样本的特征数量）     num_classes: 输出维度（这里表示类别数量）     '''     def __init__(self, input_size, num_classes) -> None:         super().__init__()         self.linear = nn.Linear(input_size, num_classes)               def forward(self, x):         x = self.linear(x)         # 此处没有使用激活函数          return x          '''构造模拟数据''' input_data = torch.randn(5, 10)  # 5个样本，每个样本有10个特征  labels = torch.tensor([0, 1, 2, 0, 1])  # 5个样本，每个样本对应一个类别标签（三分类：0，1，2）   '''实例化模型''' model = SimpleModel(input_size=10, num_classes=3)   '''定义损失函数''' criterion = nn.CrossEntropyLoss()   '''定义优化器''' optimizer = optim.SGD(model.parameters(), lr=0.1)     epoch = 1000 for i in range(epoch):     '''前向传播'''     y = model(input_data)       '''计算损失'''     # 此处，criterion会自动将y进行softmax处理，所以不需要显式地在模型中定义softmax      # 同时，labels不需要进行one-hot编码，因为criterion会自动完成这一操作        loss = criterion(y, labels)     print(f'Epoch {i+1}/{epoch}, Loss: {loss}')             '''反向传播 和 更新参数'''     # 梯度清零     optimizer.zero_grad()     # 计算梯度     loss.backward()     # 更新参数     optimizer.step()