Pytorch实现神经网络的分类方式

net.load_state_dict( torch.load('net_param.pkl') )
#获得载入模型的预测输出
pred = net(x)
# 获得当前softmax层最大概率对应的索引值
pred = torch.max(F.softmax(pred), 1)[1] # 将二维压缩为一维
pred_y = pred.data.numpy().squeeze()
label_y = y.data.numpy()
accuracy = sum(pred_y == label_y) / y.size()
print("准确率为：",accuracy)
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, cmap='RdYlGn')
plt.show()

if __name__ =='__main__':
# restore_net()
restore_param()

以上这篇Pytorch实现神经网络的分类方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。

您可能感兴趣的文章:pytorch实现focal loss的两种方式小结PyTorch上搭建简单神经网络实现回归和分类的示例pytorch实现mnist分类的示例讲解使用PyTorch训练一个图像分类器实例Pytorch实现基于CharRNN的文本分类与生成示例Pytorch 实现focal_loss 多类别和二分类示例

 3/3   首页 上一页 1 2 3