Pytorch深度学习实践第九讲 多分类问题

B站 刘二大人 传送门 多分类问题

本节使用的数据集是mnist数据集，可根据代码下载，也可自行下载，我开始运行代码下载总是中断，应该是网络问题，看有些同学下了几十次才成功，我试了几次不行就自己百度下载了。只是要用datasets函数处理的话要放到相应目录上。

这里放MNIST数据集介绍及读取，文中是用TensorFlow写的，如果想用Pytorch简单可以简单看一下数据介绍。

上面是mnist数据集截图，手写数字图像的分类数据。每张图片大小都是28*28，本节采用的方法是把像素点平铺成一维，然后用线性+激活+全连接的简单网络进行分类。

import torch
from  torch.utils.data import DataLoader
from torchvision import transforms
from torchvision import datasets
import torch.nn.functional as F

batch_size =64
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307, ), (0.3081, ))])
#将原始像素数据归一到（0，1）中 并基于均值0.1307和标准差0.3081来对数据进行标准化处理

train_dataset = datasets.MNIST(root='D:\Code\Pytorch exercise/dataset/mnist', train=True, download=True,transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True,batch_size=batch_size)
#（下载）加载训练集，之后进行batch分组
test_dataset = datasets.MNIST(root='D:\Code\Pytorch exercise/dataset/mnist', train=False,download=True,transform=transform)
test_loader = DataLoader(test_dataset,shuffle=False ,batch_size=batch_size)
#测试集
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(784, 512) #784 = 28 x 28 ，像素点平铺后的大小
        self.l2 = torch.nn.Linear(512, 256)
        self.l3 = torch.nn.Linear(256, 128)
        self.l4 = torch.nn.Linear(128, 64)
        self.l5 = torch.nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return self.l5(x)   #后面交叉熵计算会有激活的步骤，所以这里直接传线性计算的结果

model = Net()

#---计算损失和更新
criterion = torch.nn.CrossEntropyLoss()#交叉熵 size_average=False
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01, momentum=0.5)
#---计算损失和更新

def train(epoch):
    running_loss = 0.0 #计算loss的累积
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, target = data
        optimizer.zero_grad()

        #forward + backward + update
        outputs = model(inputs)
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if batch_idx % 300 == 299:#每训练300个数据输出一次
            print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
            running_loss = 0.0

def test():
    correct = 0
    total = 0
    with torch.no_grad():#不计算梯度
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    print('Accuracy on test set: %d %%' % (100 * correct / total))

if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()