トーチインポート からtorch.autograd変数インポート インポートtorch.nn.functional AS F. インポートmatplotlib.pyplot AS のPLT ＃フェイクメイクデータ N_DATA（= torch.ones 100を、2 ） X0（= torch.normal 2 * N_DATA、1）＃の各要素の平均値から（X、Y）= 2 * 位置N_DATAに対応する値を、ランダムに生成さの正規分布の標準偏差 YO =のtorch.zeros（100 各要素に対して）0＃ラベル X1 torch.normal = - （2 * N_DATA、1。平均からの）各要素位（X、Y）= - 2 *N_DATA対応する位置値を、ランダムに生成さの正規分布の標準偏差 Y1 = torch.ones（100 ラベルの各要素に）＃1 X = torch.cat（（X0、X1）、0） .TYPE（torch.FloatTensor）＃形状（200であり、2）FloatTensor = 32 - 「ビット浮動 Y = torch.cat（（YO、Y1））.TYPE（torch.LongTensor）＃形状（200で、）LongTensor = 64 - 整数「ビット ＃変数トーチことができる唯一の電車の中で、それらSO変数に変換 X、Y = 変数（X）、変数（Y） ＃データ描画 plt.scatter（x.data.numpy（）：0 ]、Xを.data.numpy（）：1。]、C = y.data.numpy（））は色シーケンス＃Cのある ＃1 plt.show（） ＃ニューラルネットワークモジュール クラスネット（torch.nn.Module）：＃は、ニューラルネットワークを継承モジュール デフ__init __（自己、n_features、 n_hidden、n_output）：ニューラルネットワークの初期化の＃ハイパーパラメータ スーパー（ネット、自己）.__のinit __（）＃ に入らない、3行定着工程上、親クラスの初期化メソッドのニューラルネットワークモジュールを呼び出す self.hidden = torch.nn.Linear （n_features、n_hidden）＃は、出力の数何入力隠れ層指定 self.predict = torch.nn.Linear（n_hidden、n_output）＃予測がどのように入力層、出力の数を指定 ：DEFフォワード（自己、x）が ＃の神経構造をネットワーク X = Xを介して中間層処理のF.relu（self.hidden（X））＃正の活性化関数 X = データself.predict（X）層を介して隠れ層の＃は、予測結果予測得る リターンxは ネット（=ネット図2は、10、2 ）＃クラスオブジェクト宣言 印刷（NET） 、インタラクティブグラフィックPlt.ionのplt.ioff間plt.ion（）＃及びコード plt.show（） ＃ニューラルネットワークオプティマイザ、主にするために私たちのニューラルネットワークを最適化し、彼は私たちの訓練過程で起きる作り、時間のソーシャルネットワークトレーニングを保存します。 オプティマイザ = torch.optim.SGD（net.parameters（）、LR = 0.01 ）は、実際にバック＃伝播ニューラルネットワークは、最初のパラメータを更新する第2の学習速度に対応する、体重および他のパラメーターである loss_func = トーチ。 nn.CrossEntropyLoss（）＃タグ誤差コスト関数 のための T で（範囲50 ）： OUT = NET（X） 損失 = loss_func（OUT 、Y）＃算出損失 optimizer.zero_grad（）＃ゼロ勾配 loss.backward（）＃バックプロパゲーション optimizer.step（）の計算ノードと勾配最適化の＃ IF T％2 == 0 ： plt.cla（）＃軸、すなわち現在の描画の前にクリアクリアトラック 予測 = torch.max（F.softmax（OUTが）。1 [）。1 ]＃を確率に変換され、後者まず、インデックスの最大値は、最大値が0、戻りある場合 pred_y = 。prediction.data.numpy（）（）スクイーズ target_y = y.data.numpy（） 、[plt.scatter（x.data.numpyを（）0 ]、x.data.numpy（）：1 ]、C = pred_y、S = 100、LW = 0、=たCMap ' RdYlGn ' ） 精度 = SUM（pred_y == target_y）/ 200であります。＃求准确率 plt.text（1.5 - 4、' 精度=％2F。'％の精度、fontdict = { ' サイズ'：20、' 色'：' 赤' }） plt.pause（0.1 ） PLT。 IOFF（） plt.show（）
以下は、上記のコードは、次のコードに変更、高速ニューラルネットワークコードをビルドあります
トーチインポート からtorch.autograd変数インポート インポートtorch.nn.functional AS F. インポートmatplotlib.pyplot AS のPLT ＃フェイクメイクデータ N_DATA（= torch.ones 100を、2 ） X0（= torch.normal 2 * N_DATA、1）＃の各要素の平均値から（X、Y）= 2 * 位置N_DATAに対応する値を、ランダムに生成さの正規分布の標準偏差 YO =のtorch.zeros（100 各要素に対して）0＃ラベル X1 torch.normal = - （2 * N_DATA、1。平均からの）各要素位（X、Y）= - 2 *N_DATA対応する位置値を、ランダムに生成さの正規分布の標準偏差 Y1 = torch.ones（100 ラベルの各要素に）＃1 X = torch.cat（（X0、X1）、0） .TYPE（torch.FloatTensor）＃形状（200であり、2）FloatTensor = 32 - 「ビット浮動 Y = torch.cat（（YO、Y1））.TYPE（torch.LongTensor）＃形状（200で、）LongTensor = 64 - 整数「ビット ＃変数トーチことができる唯一の電車の中で、それらSO変数に変換 X、Y = 変数（X）、変数（Y） ＃データ描画 plt.scatter（x.data.numpy（）：0 ]、Xを.data.numpy（）：1。]、C = y.data.numpy（））カラーシーケンス＃Cのある ＃1 plt.show（） ＃ニューラルネットワークモジュール NET2 = torch.nn.Sequential（ torch.nn.Linear（2、10 ）、 torch.nn .ReLU（）、 torch.nn.Linear（10、2 ） ） plt.ion（）＃とplt.ionのplt.ioff間のコード、インタラクティブグラフィクス plt.show（） ＃ニューラルネットワークオプティマイザ、主私たちのニューラルネットワークを最適化するために、時間のソーシャルネットワークトレーニングを保存し、彼は私たちの訓練プロセスに立ち上がって作ります。 オプティマイザ = torch.optim.SGD（net.parameters（）、LR = 0.01 ）は、実際にバック＃伝播ニューラルネットワークは、最初のパラメータを更新する第2の学習速度に対応する、体重および他のパラメーターである loss_func = トーチ。 nn.CrossEntropyLoss（）＃タグ誤差コスト関数 のための T 内の範囲（50）： OUT = NET（X） 損失 = loss_func（OUT 、Y）＃計算された損失 optimizer.zero_grad（）＃ゼロ勾配 loss.backward（）＃のバックプロパゲーション 計算ノードと勾配最適化のoptimizer.step（）＃ IF T％2 == 0 ： plt.cla（）＃軸、すなわち現在の描画の前にクリアクリアトラック 予測 = torch.max（F.softmax（OUTが）。1 [）。1 ]＃を確率に変換され、後者まず、インデックスの最大値は、最大値が0、戻りある場合 pred_y = 。prediction.data.numpy（）（）スクイーズ target_y = y.data.numpy（） 、[plt.scatter（x.data.numpyを（）0]、x.data.numpy（）:, 1 ]、C = pred_y、S = 100、LW = 0、CMAP = ' RdYlGn ' ） 精度 = SUM（pred_y == target_y）/ 200 。＃求准确率 PLT .text（1.5 - 4、' 確度=％2F '％の精度、fontdict = { ' サイズ'：20、' 色'：' 赤' }） plt.pause（0.1 ） plt.ioff（） plt.show （）