classification也算是比较简单的问题

代码也是基本和莫烦大大的代码一样

但是有个地方不明白，希望大家可以解答一下

在定义网络的时候，

输入层是2个feature好理解，因为有x和y两个坐标。

但是输出层为什么有2个输出神经元呢，课程讲的意思是用onehot编码，这我理解

但是为什么不能用一个数字表示类别呢，输出层是否可以只有一个神经元呢？0、1代表类别

我好像有点感觉onehot编码是便于计算loss，不知道对不对

from __future__ import print_function
import torch
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt
import torch.nn.functional as F

n_data = torch.ones(100,2)
x0 = torch.normal(2*n_data,1)
y0 = torch.zeros(100)


x1 = torch.normal(-2*n_data,1)
y1 = torch.ones(100)

x = torch.cat((x0,x1),0).type(torch.FloatTensor)
y = torch.cat((y0,y1),).type(torch.LongTensor)

x,y = Variable(x), Variable(y)

#plt.scatter(x.data.numpy()[:,0], x.data.numpy()[:,1], c=y.data.numpy(), s=100,lw=0,cmap='RdYlGn')
#plt.show()

class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net,self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

#输入层是2feature好理解因为有x和y两个坐标。但是输出层为什么有2个输出神经元呢，课程讲的意思是用onehot编码，这我理解但是为什么不能用一个数字表示类别呢
net = Net(2, 10, 2)
print(net)

optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
#MSEloss是计算回归这种问题的，交叉熵是计算分类问题的loss，计算的是softmax概率与标签的误差
#比如预测结果是[0.1,0.2,0.7] 标签结果是[0,0,1]
loss_func = torch.nn.CrossEntropyLoss()

for t in range(100):
    out = net(x)

    loss = loss_func(out,y)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    # 接着上面来
    if t % 2 == 0:
        plt.cla()
        # 过了一道 softmax 的激励函数后的最大概率才是预测值
        prediction = torch.max(F.softmax(out), 1)[1]
        pred_y = prediction.data.numpy().squeeze()
        target_y = y.data.numpy()
        plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlGn')
        accuracy = sum(pred_y == target_y) / 200  # 预测中有多少和真实值一样
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
        plt.pause(0.1)

plt.ioff()  # 停止画图
plt.show()