```markdown ## 完整代码实现数据分类 ```python # 导入必要的模块 import torch import torch.nn as nn import matplotlib.pyplot as plt # 构造样本集 data = torch.ones(100, 2) # 数据总数（总框架） # 创建两类不同的数据点 x0 = torch.normal(2 * data, 1) # 第一类数据 x1 = torch.normal(-2 * data, 1) # 第二类数据 # 将两类数据合并成一个样本集，并转换为 Float 类型 x = torch.cat((x0, x1), 0).type(torch.FloatTensor) # 给散点集打上标签 y0 = torch.zeros(100) # 第一类标签设置为 0 y1 = torch.ones(100) # 第二类标签设置为 1 y = torch.cat((y0, y1)).type(torch.LongTensor) # 合并标签，并转换为 Long 类型 # 定义网络结构 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.classify = nn.Sequential( nn.Linear(2, 15), # 全连接层，2个输入，15个输出 nn.ReLU(), # ReLU 激活函数 nn.Linear(15, 2), # 全连接层，15个输入，2个输出 nn.Softmax(dim=1) # Softmax 激活函数 ) def forward(self, x): return self.classify(x) # 返回预测值 # 初始化网络、优化器和损失函数 net = Net() optimizer = torch.optim.SGD(net.parameters(), lr=0.03) # 设置优化器 loss_func = nn.CrossEntropyLoss() # 设置损失函数 # 训练网络 for epoch in range(100): # 训练轮数 out = net(x) # 实际输出 loss = loss_func(out, y) # 实际输出和期望输出传入损失函数 optimizer.zero_grad() # 清除梯度 loss.backward() # 误差反向传播 optimizer.step() # 优化器开始优化 # 对网络输出进行处理，获取分类结果 classification = torch.max(out, 1)[1] # 返回每一行中最大值的下标 class_y = classification.data.numpy() # 转换成 numpy 数组 target_y = y.data.numpy() # 标签也转换成 numpy 数组 # 计算并显示准确率 accuracy = sum(class_y == target_y) / 200 plt.text(1.5, -4, f'Accuracy={accuracy:.2f}', fontdict={'size': 20, 'color': 'red'}) # 可视化分类结果 plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=class_y, s=100, cmap='RdYlGn') plt.show() ``` ### 知识点 1. **Tensor操作** - 使用 `torch.cat` 合并张量，`type()` 方法转换张量类型。 2. **神经网络构建** - 使用 `nn.Sequential` 构建多层神经网络，定义前向传播函数 `forward`。 3. **优化与损失函数** - 使用 `SGD` 优化器，`CrossEntropyLoss` 损失函数进行分类问题的训练。 ```