2023.08.09 nn.Sequential版アイリスデータ【torch】

Keras が提供する Sequential を模したもの。

レイヤーや活性化関数を引数として渡しすので、分岐などの複雑なネットは構成できない。

引数として渡した順番に伝播されるので、forward()メソッドを書く必要が無い。

簡潔なネットの構築に有効。

code:python

import torch

import torch.nn as nn

import torch.nn.functional as F

from sklearn.datasets import load_iris

import numpy as np

from sklearn.model_selection import train_test_split

from torch.utils.data import TensorDataset, DataLoader

import torch.optim

import matplotlib.pyplot as plt

model = nn.Sequential(

nn.Linear(4, 10),

nn.ReLU(),

nn.Linear(10,3),

nn.Softmax(dim=1),

)

XX, yy = load_iris(return_X_y=True)

X = torch.Tensor(XX).float()

y = torch.Tensor(yy).to(torch.int64)

X_train, X_test, y_train, y_test = train_test_split(

X, y, test_size=0.1, random_state=42)

y_train_onehot = F.one_hot(y_train, num_classes=3).float()

y_test_onehot = F.one_hot(y_test, num_classes=3).float()

data_loader = DataLoader(

dataset = TensorDataset(X_train, y_train_onehot),

batch_size = 10,

shuffle = True,

num_workers = 0

)

epoches = 100

loss_func = nn.MSELoss()

optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

LOSS = []

model.train()

for epoch in range(epoches):

for X, y in data_loader:

optimizer.zero_grad()

y_predict = model(X)

loss = loss_func(y_predict, y)

loss.backward()

LOSS.append(loss.item())

optimizer.step()

plt.plot(LOSS)

plt.show()