pytorch 手写数字识别1
目录
- 概述
- 加载图片
- 绘图部分
- backward
前言：
这里以一个手写数字识别的例子,简单了解一下pytorch 实现神经网络的过程.
本章重点讲一下加载数据过程
参考：
课时9 手写数字识别初体验-1_哔哩哔哩_bilibili
Pytorch中的backward函数 - 知乎
一 概述
整体流程如下,分为四步
二 加载图片
如下为加载minist 数据集过程
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 24 17:17:19 2022
@author: chengxf2
"""
import torchvision
from matplotlib import pyplot as plt
import torch
import torchvision.transforms as transforms
import torchvision.datasets
from util import plot_curve,plot_image
'''
root : 需要下载地址的根目录位置
train: True 下载训练集trainin.pt False 下载test.pt
transform: 一系列作用在PIL 图片上的转换操作，返回一个转换版本
dowenload: 是否下载到root 指定的位置
transforms.Compose()：
将多个预处理依次累加在一起， 每次执行transform都会依次执行其中包含的多个预处理程序
transforms.ToTensor()：
在做数据归一化之前必须要把PIL Image转成Tensor
transforms.Normalize([0.5], [0.5])：
归一化，这里的两个0.5分别表示对张量进行归一化的 全局平均值和方差，
因为图像是灰色的只有一个通道，所以分别指定一了一个值，如果有多个通道，
需要有多个数字，如3个通道，就应该是Normalize([m1, m2, m3], [n1, n2, n3])
'''
def load_data(batch =512):
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize([0.1307], [0.3018])])
train_dataset = torchvision.datasets.MNIST('mnist_data', train=True, transform=transform, download=True)
test_dataset = torchvision.datasets.MNIST('mnist_data/', train=False, transform=transform, download=False)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size = batch, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset)
print("\n --end--",type(train_loader))
return train_loader, test_loader
def show(data):
#递归所有的元素
for step, (x,y) in enumerate(data):
print("\n step ",step,y.shape) #512
###单独取一个###
x,y = next(iter(train_loader))
print(x.shape, y.shape)
print(x.min(), x.max(),type(x)) #Tensor
plot_image(x,y,'image sample')
if __name__ =="__main__":
train_loader , test_loader = load_data()
show(train_loader)
三 绘图部分
# -*- coding: utf-8 -*-
"""
Created on Mon Nov 21 17:16:16 2022
@author: chengxf2
"""
import torch
from matplotlib import pyplot as plt
def plot_curve(data):
#画训练过程的loss
fig = plt.figure()
N= len(data)
plt.plot(range(N),data, color='green')
plt.legend(['value'], loc='up right')
plt.xlabel('step')
plt.ylabel('value')
plt.show()
def plot_image(img, label, name):
#画图片
fig = plt.figure()
for i in range(6):
plt.subplot(2,3,i+1) #t(nrows ncols plot_number)
plt.tight_layout() #会自动调整子图参数，使之填充整个图像区域
plt.imshow(img[i][0]*0.3081+0.1307,interpolation ='none')
plt.title("{}:{}".format(name, label[i].item()))
plt.xticks([])
plt.yticks([])
plt.show()
'''
生成one-hot
Tensor.scatter_(dim, index, src, reduce=None) → Tensor
Parameters
scatter_(dim, index, src): 将src中所有的值分散到self 中，填法是按照index中所指示的索引来填入。
dim (int) – the axis along which to index
dim=0，按照index行索引的指示来进行散射
dim=1 ，按照index列索引的指示来进行散射
index (LongTensor) – the indices of elements to scatter, can be either empty or of the same dimensionality as src. When empty, the operation returns self unchanged.
src (Tensor or float) – the source element(s) to scatter. 要填进去的元素
reduce (str, optional) – reduction operation to apply, can be either 'add' or 'multiply'. 用的相对较少。
'''
def one_hot(label, depth=10):
N = label.size(0)
print("\n n:",N)
out = torch.zeros(N, depth)
idx = torch.LongTensor(label).view(-1,1)
out.scatter_(dim=1, index=idx, value=1)
print("\n out ",out)
return out
#label =[1,2,5]
#label = torch.LongTensor(label)
#one_hot(label)
四 Pytorch 中的backward
Numpy ,pytorch 可以自己实现反向传播算法，也可以使用pytorch给的API，通过动态图自动
求导
这里面给出3个例子3.1
3.1 简单的LR 模型
梯度：
Created on Tue Nov 22 14:58:50 2022
@author: chengxf2
"""
import torch
from torch.autograd import Variable
'''
自动求梯度例子1
'''
def grad():
x = torch.tensor([2.0,1.0],requires_grad=True)
w = torch.tensor([1.0,2.0],requires_grad=True)
y = torch.matmul(w, x.T)
L = (y-1.0)**2/2.0
print("\n L ",L)
L.backward()
print(w.grad)
grad()
bias tensor(3., grad_fn=
tensor([6., 3.])