深度学习实战——利用Pytorch实现iris数据集的分类

# iris_multi-classfication.py
"""
Pytorch in action
Pytorch实现iris数据集的分类
"""

from tkinter import HIDDEN
import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F
from sklearn.datasets import load_iris
from torch.autograd import Variable
from torch.optim import SGD

# 动态的判断GPU是否可用，方便在不同类型的处理器上迁移
use_cuda = torch.cuda.is_available()
print("use_cuda:",use_cuda)

# 加载数据集
iris = load_iris()
print(iris.keys())

# 数据预处理，包括从数据集里区分输入输出，最后把输入输出数据封装成Pytorch期望的Variable格式
x = iris['data']        # 特征信息
y = iris['target']      # 目标分类
print(x.shape)          # (150，4)
print(y.shape)          # (150,)

print(y)
x = torch.FloatTensor(x)
y = torch.LongTensor(y)
x,y = Variable(x),Variable(y)

# Pytorch中自定义的模型都需要继承Module，并重写forward方法完成前向计算过程
class Net(torch.nn.Module):
    # 初始化函数，接受自定义输入特征维数，隐含层特征维数，输出层特征维数
    def __init__(self,n_feature,n_hidden,n_output):
        super(Net,self).__init__()
        self.hidden = torch.nn.Linear(n_feature,n_hidden)