回想了一下自己关于 pytorch 的学习路线，一开始找的各种资料，写下来都能跑，但是却没有给自己体会到学习的过程。有的教程一上来就是写一个 cnn，虽然其实内容很简单，但是直接上手容易让人找不到重点，学的云里雾里。有的教程又浅尝辄止，师傅领到了门槛跟前，总感觉自己还没有进门，教程就结束了。
所以我总结了一下自己当初学习的路线，准备继续深入巩固自己的 pytorch 基础；另一方面，也想从头整理一个教程，从没有接触过 pytorch 开始，到完成一些最新论文里面的工作。以自己的学习笔记整理为主线，大家可以针对参考。
第一篇笔记，我们先完成一个简单的分类器。主要流程分为以下三个部分：
1，自定义生成一个训练集，具体为在二维平面上的一些点，分为两类；
2，构建一个浅层神经网络，实现对特征的拟合，主要是明白在 pytorch 中网络结构如何搭建；
3，完成训练和测试部分的工作，熟悉 pytorch 如何对网络进行训练和测试。
1. 自定义生成数据集
- n_data = torch.ones(100, 2)
- x0 = torch.normal(2*n_data, 1)
- y0 = torch.zeros(100)
- x1 = torch.normal(-2*n_data, 1)
- y1 = torch.ones(100)
- x = torch.cat((x0, x1)).type(torch.FloatTensor)
- y = torch.cat((y0, y1)).type(torch.LongTensor)
这篇文章我们先考虑在一个自己定义的简单数据集上实现分类，这样子可以最简单的了解一个神经网络的模型，如何用 pytorch 搭建起来。
这个代码对 numpy 比较熟悉的同学应该也可以猜出来它的内容，只是在 numpy 中是一个 numpy array，在 pytorch 中是一个 tensor。这里我简单的介绍一下这几行代码的作用，给有需要的同学捋顺思路。
首先 n_data 是基准数据，用来生成其它数据，内容为一个 100 行 2 列 的 tensor，其中的值都为 1。x0 是一类数据的坐标值，通过这个 n_data 来生成。
具体的生成的办法是用 torch.normal() 这个函数，第一个参数为 mean，第二个参数是 std。所以返回的结果 x0 是一个和 n_data 形状一样，但是其中的数据在以 2 为平均值，以 1 为标准差的正态分布中随机选取的。y0 则是一个 100 维的 tensor，其中的值都为 0。
我们可以这样理解 x0 和 y0，x0 的形状是 100 行 2 列的 tensor，其中的值以 2 为中心进行随机分布，符合正态分布，而这些点的标签我们设置为 y0，也就是 0。与此相反，x1 对应的中心为 -2，且标签为 y1，也就是每个点的标签都为 1。
最后生成的 x 和 y，就是将所有的数据合并起来，x0 和 x1 合并起来作为数据，y0 和 y1 合并起来作为标签。
2. 构建一个浅层神经网络
- class Net(torch.nn.Module):
- def __init__(self, n_feature, n_hidden, n_output):
- super(Net, self).__init__()
- self.n_hidden = torch.nn.Linear(n_feature, n_hidden)
- self.out = torch.nn.Linear(n_hidden, n_output)
- def forward(self, x_layer):
- x_layer = torch.relu(self.n_hidden(x_layer))
- x_layer = self.out(x_layer)
- x_layer = torch.nn.functional.softmax(x_layer)
- return x_layer
- net = Net(n_feature=2, n_hidden=10, n_output=2)
- # print(net)
- optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
- loss_func = torch.nn.CrossEntropyLoss()
上面的 Net() 类就是如何构建一个神经网络的步骤。我们如果是第一次用 pytorch 写一个神经网络，那么这个就是一个足够简单的例子了。其中的内容由两部分组成，分别是 __init__() 函数和 forward() 函数。
大家可以简单的这样子理解：__init__() 函数中，是对网络结构的定义，都有哪些层，每层又有什么功能。例如这个函数中，self.n_hidden 就是定义了一个线性拟合函数，也就是全连接层，在此处相当于一个向隐藏层的映射。输入是 n_feature，输出是隐藏层的神经元个数 n_hidden。然后 self.out 也一样是一个全连接层，输入是刚才的隐藏层的神经元个数 n_hidden，输出是最后的输出结果 n_output。
接着就是 forward() 函数，在这里相当于定义我们神经网络的执行顺序。所以这里可以看到，先对输入的 x_layer 执行上面的隐藏层函数，也就是第一个全连接 self.n_hidden()，然后对输出再执行激活函数 relu。接下来如法炮制，经过一个输出层 self.out()，得到最后的输出。然后将输出 x_layer 返回。
optimizer 就是这里定义的优化方式，其中的 lr 是学习率的参数。然后损失函数我们选择交叉熵损失函数，也就是上面的最后一行代码。优化算法和损失函数，可以在 pytorch 中直接选择不同的 api 接口，形式上直接参考上面这种固定形式便可。
3. 完成训练和测试
- for i in range(100):
- out = net(x)
- # print(out.shape, y.shape)
- loss = loss_func(out, y)
- optimizer.zero_grad()
- loss.backward()
- optimizer.step()
接下来我们看一下如何进行训练的过程。net() 是我们对 Net() 类实例化出来的一个对象，所以利用 net() 可以直接完成模型的运行，out 就是模型预测出来的结果，loss 则是和真实值按照交叉熵损失函数计算出来的误差。
下面的三行代码是一个标准形式，表示了如何进行梯度的反向传播。到此其实我们的训练已经完成了，这个网络现在可以直接拿来对测试的数据集进行预测分类了。
- # train result
- train_result = net(x)
- # print(train_result.shape)
- train_predict = torch.max(train_result, 1)[1]
- plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=train_predict.data.numpy(), s=100, lw=0, cmap='RdYlGn')
- plt.show()
为了让大家更好的理解这个模型的作用，这里我们来做一些可视化的工作，看看一个模型的学习效果。通过 python 很常见的一个数据可视化的库 matplotlib 可以实现这个目标，具体的 matplotlib 的用法就不介绍了。
这里的作用是显示出来训练好的模型对训练集的分类效果，可以理解为训练误差。
- # test
- t_data = torch.zeros(100, 2)
- test_data = torch.normal(t_data, 5)
- test_result = net(test_data)
- prediction = torch.max(test_result, 1)[1]
- plt.scatter(test_data[:, 0], test_data[:, 1], s=100, c=prediction.data.numpy(), lw=0, cmap='RdYlGn')
- plt.show()
然后我们以 0 为 mean，随机生成一些数据，来看看模型会怎么去分类这些数据点。
虽然没有画出来那条训练好的分割线，但是我们也可以看到模型学习了一个分割的界面，来将数据划分为两类。
