感知器模型的测试

17 Mar 2025 | 阅读 2 分钟

感知器模型旨在对我们的数据进行分类，并根据先前标记的数据告诉我们患癌症的几率，即最大或最小。

我们的模型已经过训练，现在，我们测试我们的模型，以了解它的工作是否顺利，并给出准确的结果。为此，我们必须在代码中添加更多功能。

测试我们的模型有以下步骤

步骤 1

我们将重新绘制拟合的模型，为此，我们必须对将要初始化的随机点进行预测。在我们的例子中，我们将取两个点以便更好地理解。

p1=torch.Tensor([1.0,-1.0])
p2=torch.Tensor([-1.0,-1.5])

步骤 2

现在，我们的下一步是绘制这些点以进行可视化，以便我们可以确定这两个点属于哪个类，即 1 或 0。

plt.plot(p1[0],p1[1],'ro')
plt.plot(p2[0],p2[1],'ko')

点 p1 和 p2 最初是张量形式，因此我们通过类型转换将这些点转换为 numpy。

plt.plot(p1.numpy()[0],p1.numpy()[1],'ro')
plt.plot(p2.numpy()[0],p2.numpy()[1],'ko')

步骤 3

我们现在可以对每个点进行预测。我们将预测每个点属于正区域 2 类 1 的概率。我们知道所有橙色点都被标记为 1，所有蓝色点都被标记为 0。因此概率确定为

print("Red point positive probability={}".format(model.forward(p1).item()))
print("Black point positive probability={}".format(model.forward(p2).item()))

红点和黑点的概率等于它的预测。

步骤 4

现在，我们将回到我们的类初始化，并创建一个名为 predict 的方法，该方法有一个参数。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。

def predict(self,x):
	pred=torch.sigmoid(self.linear(x))
	if pred>=0.5:
		return 1
	else:
		return 0 

步骤 5

最后，我们将添加另外两个打印语句，这些语句告诉我们使用 predict 方法的类，如下所示

print("Red point in calss={}".format(model.predict(p1)))
print("Black point in calss={}".format(model.predict(p2)))

很明显，我们的模型运行流畅，并且使用随机数据为我们提供了准确的结果。

完整代码

import torch
import numpy as np
import matplotlib.pyplot as plt
import torch.nn as nn
from sklearn import datasets
no_of_points=100
centers=[[-0.5,0.5],[0.5,-0.5]]
x,y=datasets.make_blobs(n_samples=no_of_points,random_state=123,centers=centers,cluster_std=0.4)
xdata=torch.Tensor(x)
ydata=torch.Tensor(y.reshape(100,1))
def Scatter():
	plt.scatter(x[y==0,0],x[y==0,1])
	plt.scatter(x[y==1,0],x[y==1,1])
class Perceptron_model(nn.Module):
	def __init__(self,input_size,output_size):
		super().__init__()
		self.linear=nn.Linear(input_size,output_size)
	def forward(self,x):
		pred=torch.sigmoid(self.linear(x))
		return pred
	def predict(self,x):
		pred=torch.sigmoid(self.linear(x))
		If pred>=0.5:
			return 1
		else:
			return 0
torch.manual_seed(2)
model= Perceptron_model(2,1)
criterion=nn.BCELoss()
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
print(list(model.parameters()))
[A,B]=model.parameters()
A1,A2=A.view(2)
B1=B[0]
epochs=1000
losses=[]
fori in range(epochs):
	ypred=model.forward(xdata)
	loss=criterion(ypred,ydata)
	print("epoch:",i,"loss:",loss.item())
	losses.append(loss)
	optimizer.zero_grad()
	loss.backward()
	optimizer.step()
def get_perameters():
	return(A1.item(),A2.item(),B[0].item())
def plotfit(title):
	plt.title=title
	A1,A2,B1=get_perameters()
	x1=np.array([-2.0,2.0])
	y1=((A1*x1)+B1)/-A2
	plt.plot(x1,y1,'r')
	Scatter()
	plt.show()
p1=torch.Tensor([1.0,-1.0])
p2=torch.Tensor([-1.0,-1.5])
plt.plot(p1.numpy()[0],p1.numpy()[1],'ro')
plt.plot(p2.numpy()[0],p2.numpy()[1],'ko')
print("Red point positive probability={}".format(model.forward(p1).item()))
print("Black point positive probability={}".format(model.forward(p2).item()))
print("Red point in calss={}".format(model.predict(p1)))
print("Black point in calss={}".format(model.predict(p2)))
plotfit('Initial Model')

输出