在 PyTorch 中测试深度神经网络

我们将用精确的决策边界绘制我们的数据集，这将分离我们的分类结果。 在此，我们还将测试我们的模型。 以下是训练模型的步骤

步骤 1

第一步，我们定义一个函数 plot_decision_boundary()，它包含两个参数，即我们的训练数据 x 和标签 y。 此函数将返回决策边界的等高线图。

步骤 2

在此步骤中，我们定义一个适当跨越我们数据的网格。 该过程首先定义数据集中 x 和 y 坐标的跨度。 x_span 和 y_span 将定义为 50 个等间距的点，如下所示

步骤 3

在下一步中，我们将定义 xx 和 yy 变量。 xx 和 yy 变量都存储一个方形二维数组，该数组将从 numpy 的 meshgrid() 函数中获得。

meshgrid() 函数将向量 x_span 和 y_span 都作为参数。 两个向量都包含 50 个元素，此函数将返回一个 50 * 50 矩阵的二维数组。 新添加的行将是 x_span 向量中原始行的重复副本，并将返回给 xx 变量。 y_span 的过程相同； 它将返回一个 50*50 矩阵的二维数组，其中新添加的列将是 y_span 向量中原始列的重复副本。 此矩阵将返回给 yy 变量。

步骤 4

借助这些新创建的矩阵 xx 和 yy，我们将创建一个覆盖整个数据集的笛卡尔网格。 为此，我们首先必须使用 ravel() 方法将 xx 和 yy 矩阵转换为一维。

步骤 5

现在，我们将有 50 个 x 坐标，为了定义我们的网格，我们必须以列 y 排列方式连接这些数组。 这将借助 c_[] 完成。

现在，我们将使用 torch.Tensor() 将它们转换为张量。 这会将 50*50 网格转换为张量数据。

步骤 5

现在，最终，我们可以使用带有网格作为唯一参数的 model .forward()。 通过将整个网格张量馈送到 model.forward() 函数，训练后的模型将测试 50*50 网格内的所有点，这将返回一个预测张量。

此预测指示任何给定点被标记为 1 的概率，我们将此张量存储在变量 pred_func 中。

步骤 5

现在，我们将 pred_func 重塑为与原始 xx 和 yy 维度相同的维度形状。

这将生成一个错误； 我们将使用 detach 方法，该方法从梯度计算中排除任何子图，该子图将与 pred_fun 中的值相关联。

步骤 6

现在，我们的下一步是将我们的预测结果链接到它们相应的坐标对应物。 为此，我们将使用 plt.contourf()，它将使用 xx、yy 和 z 创建预测结果的等高线图。

步骤 7

现在，我们将首先调用 plot_decision_boundary() 方法，然后我们将调用我们之前定义的 scatter_plot() 方法。 这将可视化我们的数据，如下所示

步骤 8

我们将重新绘制我们的拟合模型，为此，我们必须对我们将初始化的随机点进行预测。 我们将取两个点以便更好地理解

步骤 9

现在，下一步是绘制该点以用于可视化目的，以便我们可以确定该点位于哪个类（1 或 0）。

点 p1 最初是张量形式，因此我们通过类型转换将该点更改为 numpy。

步骤 9

我们可以对该点进行预测。 我们将预测该点属于正区域 2 类 1 的概率。 我们知道所有橙色点都标记为 1，所有蓝色点都标记为 0。 因此概率确定为

步骤 10

现在，我们将回到我们的类初始化并创建一个具有参数的名为 predict 的方法。 我们使用 self.forward(x) 来查找概率。 如果概率大于 0.5，那么我们将返回类 1，否则返回 0。

步骤 11

最后，我们将添加 print 语句，该语句使用 predict 方法告诉我们有关该类的信息，如下所示

很明显，我们的模型运行平稳，并为我们提供了具有随机数据的准确结果。

完整代码

输出