多分类问题（softmax函数）pytorch

步骤：

# 1.prepare dataset
# 2.design model using Class
# 3.Construct loss and optimizer
# 4.Training cycle + Test

 1.prepare dataset

(与之前相比，添加的步骤：)将输进来的图片要进行transform，将原图像由W*H*C转换成C*W*H，并把图片压缩到[0, 1]之间

pytorch对图像进行处理的图像顺序是C*W*H

C:channel通道数

w：图像的宽度

H：图像的高度

首先定义batch的大小，然后transform操作

使用datasets设置数据集，导入训练数据集，导入测试数据集 

使用DataLoader来加载数据集，完成对数据想要进行的操作

Transform具体操作：

transform = transforms.compose([transforms.ToTensor(),
                   transforms.Normalize(0.1307, ),(0.3087, )])

ToTensor操作是将输入的数据进行归一化，并且转化成张量的类型。

Normalize操作：定义均值和标准差

易错点：sum中运算：dim=1表示对每一行的各个列求和，dim=0，表示每一列的各行进行求和

               max：dim=1表示求出各个列之中取个最大值，dim=0，表示求出每一列的所有行中的最大值。

batch_size = 64

train_dataset = datasets.MNIST(root='../dataset/mnist/', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/', train=False, download=True, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(784, 512)
        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)  # -1其实就是自动获取mini_batch
        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)  # 最后一层不做激活，不进行非线性变换


model = Net()

# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

# training cycle forward, backward, update


def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        # 获得一个批次的数据和标签
        inputs, target = data
        optimizer.zero_grad()
        # 获得模型预测结果(64, 10)
        outputs = model(inputs)
        # print(outputs)     # 0到1的数
        # 交叉熵代价函数outputs(64,10),target（64）
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if batch_idx % 300 == 299:
            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():
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            """64*10的张量，且范围是随意的，没有进行softmax，
            相当于64个样本，10个输出值，输出值越大，则认为他的概率就越大"""
            # print(outputs.data)
            _, predicted = torch.max(outputs.data, dim=1)  # dim = 1 ,表示求出各个列之中的最大值
            print('染我看看',outputs.data)
            print('啊对对对',predicted)
            print('啊错错错',labels)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()  # 张量之间的比较运算
            """把每张图片的最大值提取出来，总共64张图片所以有64个值
                把每个图片预测的值与目标的值进行对比，相同输出1
                看预测对的个数占所有个数的比例
            """
    print('accuracy on test set: %d %% ' % (100 * correct / total))


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