全部源码请点赞关注收藏后评论区留言即可~~~
下面使用torchvision.datasets.MNIST构建手写数字数据集。
PyTorch提供了torchvision.transforms用于处理数据及数据增强,它可以将数据从[0,255]映射到[0,1]
准备好处理数据的流程后,就可以读取用于训练的数据了,torch.util.data.DataLoader提供了迭代数据,随机抽取数据,批量化数据等等功能 读取效果如下
预处理过后的数据如下
下面构建用于识别手写数字的神经网络模型
class MLP(nn.Module):
def __init__(self):
super(MLP,self).__init__()
self.inputlayer=nn.Sequential(nn.Linear(28*28,256),nn.ReLU(),nn.Dropout(0.2))
self.hiddenlayer=nn.Sequential(nn.Linear(256,256),nn.ReLU(),nn.Dropout(0.2))
self.outputlayer=nn.Sequential(nn.Linear(256,10))
def forward(self,x):
x=x.view(x.size(0),-1)
x=self.inputlayer(x)
x=self.hiddenlayer(x)
x=self.outputlayer(x)
return x
可以直接通过打印nn.Module的对象看到其网络结构
在准备好数据和模型后,就可以训练模型了,下面分别定义了数据处理和加载流程,模型,优化器,损失函数以及用准确率评估模型能力。
得到的结果如下
训练一次 可以看出比较混乱 没有说明规律可言
训练五次的损失函数如下 可见随着训练次数的增加是逐渐收敛的,规律也非常明显
准确率图像如下
最后 部分源码如下
import torch
import torchvision
import torch.nn as nn
from torch import optim
from tqdm import tqdm
import torch.utils.data.dataset
mnist=torchvision.datasets.MNIST(root='~',train=True,download=True)
for i,j in enumerate(np.random.randint(0,len(mnist),(10,))):
data,label=mnist[j]
plt.subplot(2,5,i+1)
plt.show()
trans=transforms.Compose(
[
transforms.ToTensor(),
transforms.Normalize((0.1307,),(0.3081,))
]
)
normalized=trans(mnist[0][0])
from torchvision import transforms
mnist=torchvision.datasets.MNIST(root='~',train=True,download=True,transform=trans)
def imshow(img):
img=img*0.3081+0.1307
npimg=img.numpy()
plt.imshow(np.transpose(npimg,(1,2,0)))
dataloader=DataLoader(mnist,batch_size=4,shuffle=True,num_workers=0)
images,labels=next(iter(dataloader))
imshow(torchvision.utils.make_grid(images))
class MLP(nn.Module):
def __init__(self):
super(MLP,self).__init__()
self.inputlayer=nn.Sequential(nn.Linear(28*28,256),nn.ReLU(),nn.Dropout(0.2))
self.hiddenlayer=nn.Sequential(nn.Linear(256,256),nn.ReLU(),nn.Dropout(0.2))
self.outputlayer=nn.Sequential(nn.Linear(256,10))
def forward(self,x):
x=x.view(x.size(0),-1)
x=self.inputlayer(x)
x=self.hiddenlayer(x)
x=self.outputlayer(x)
return x
print(MLP())
trans=transforms.Compose(
[
transforms.ToTensor(),
transforms.Normalize((0.1307,),(0.3081,))
]
)
al=torchvision.datasets.MNIST(root='~',train=False,download=True,transform=trans)
trainloader=DataLoader(mnist_train,batch_size=16,shuffle=True,num_workers=0)
valloader=DataLoader(mnist_val,batch_size=16,shuffle=True,num_workers=0)
#模型
model=MLP()
#优化器
optimizer=oD(model.parameters(),lr=0.01,momentum=0.9)
#损失函数
celoss=nn.ssEntropyLoss()
best_acc=0
#计算准确率
def accuracy(pred,target):
pred_label=torch.amax(pred,1)
correct=sum(pred_label==target).to(torch.float)
return correct,len(pred)
acc={'train':[],"val}
loss_all={'train':[],"val":[]}
for epoch in tqdm(range(5)):
model.eval()
numer_val,denumer_val,loss_tr=0.,0.,0.
with torch.no_grad():
for data,target in valloader:
output=model(data)
loss=celoss(output,target)
loss_tr+=loss.data
num,denum=accuracy(output,target)
numer_val+=num
denumer_val+=denum
#设置为训练模式
model.train()
numer_tr,denumer_tr,loss_val=0.,0.,0.
for data,target in trainloader:
optizer.zero_grad()
output=model(data)
loss=celoss(output,target)
loss_val+=loss.data
loss.backward()
optimer.step()
num,denum=accuracy(output,target)
numer_tr+=num
denumer_tr+=denum
loss_all['train'].append(loss_tr/len(trainloader))
loss_all['val'].aend(lss_val/len(valloader))
acc['train'].pend(numer_tr/denumer_tr)
acc['val'].append(numer_val/denumer_val)
"""
plt.plot(loss_all['train'])
plt.plot(loss_all['val'])
"""
plt.plot(acc['train'])
plt.plot(acc['val'])
plt.show()
创作不易 觉得有帮助请点赞关注收藏~~~