pytorch处理模型过拟合

演示代码如下

 import torch
 from torch.autograd import Variable
 import torch.nn.functional as F
 import matplotlib.pyplot as plt
 # make fake data
 n_data = torch.ones(, )
 x0 = torch.normal(*n_data, )      #每个元素（x,y）是从 均值=*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
 y0 = torch.zeros()               # 给每个元素一个0标签
 x1 = torch.normal(-*n_data, )     # 每个元素（x,y）是从 均值=-*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
 y1 = torch.ones()                # 给每个元素一个1标签
 x = torch.cat((x0, x1), ).type(torch.FloatTensor)  # shape (, ) FloatTensor = -bit floating
 y = torch.cat((y0, y1), ).type(torch.LongTensor)    # shape (,) LongTensor = -bit integer
 # torch can only train on Variable, so convert them to Variable
 x, y = Variable(x), Variable(y)

 # draw the data
 plt.scatter(x.data.numpy()[:, ], x.data.numpy()[:, ], c=y.data.numpy())#c是一个颜色序列

 #plt.show()
 #神经网络模块
 net2 = torch.nn.Sequential(
     torch.nn.Linear(,),
     torch.nn.Dropout(0.2),#处理过拟合，当然这个模型本身很简单，不需要处理过拟合，这个只是一个演示
     torch.nn.ReLU(),
     torch.nn.Linear(,)
 )

 plt.ion()#在Plt.ion和plt.ioff之间的代码,交互绘图
 plt.show()
 #神经网络优化器，主要是为了优化我们的神经网络，使他在我们的训练过程中快起来，节省社交网络训练的时间。
 optimizer = torch.optim.SGD(net2.parameters(),lr = 0.01)#其实就是神经网络的反向传播，第一个参数是更新权重等参数，第二个对应的是学习率
 loss_func = torch.nn.CrossEntropyLoss()#标签误差代价函数

 for t in range():
     out = net2(x)
     loss = loss_func(out,y)#计算损失
     optimizer.zero_grad()#梯度置零
     loss.backward()#反向传播
     optimizer.step()#计算结点梯度并优化，
     if t %  == :
         net2.eval()#模型做预测的时候不需要dropout,切换为eval()模式
         plt.cla()# Clear axis即清除当前图形中的之前的轨迹
         prediction = torch.max(F.softmax(out), )[]#转换为概率，后面的一是最大值索引，如果为0则返回最大值
         pred_y = prediction.data.numpy().squeeze()
         target_y = y.data.numpy()
         plt.scatter(x.data.numpy()[:, ], x.data.numpy()[:, ], c=pred_y, s=, lw=, cmap='RdYlGn')
         accuracy = sum(pred_y == target_y) / .#求准确率
         plt.text(1.5, -, 'Accuracy=%.2f' % accuracy, fontdict={'size': , 'color': 'red'})
         plt.pause(0.1)
         net2.train()#切花为训练模式

 plt.ioff()
 plt.show()

注意model.eval和model.train的使用