PyTorch入门教程—手写数字图像分类

文章目录

  • PyTorch 入门教程
    • 安装 PyTorch
    • 构建简单神经网络模型
    • 训练神经网络模型
    • 测试神经网络模型
    • 结论

PyTorch 入门教程

PyTorch 是一个开源的机器学习框架,可以用于实现深度神经网络模型。本教程将介绍如何使用 PyTorch 进行简单的神经网络构建和训练任务。

安装 PyTorch

在开始教程之前,需要先安装 PyTorch。可以通过以下命令安装 PyTorch:

pip install torch torchvision

构建简单神经网络模型

我们将构建一个简单的神经网络模型来分类手写数字图像。首先,导入必要的 PyTorch 模块和数据集。

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.datasets as datasets
import torchvision.transforms as transforms

# Define the transform to normalize the data
# 定义数据预处理方法
transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize((0.5,), (0.5,))])

# Download and load the MNIST dataset
# 下载和加载 MNIST 手写数字数据集
trainset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
testset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

接下来,我们定义一个简单的神经网络模型。该模型有两个全连接层和一个输出层。为了增加模型的非线性特征,我们在每个层之间使用 ReLU 激活函数。

# Define the neural network
# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128) # 输入层
        self.fc2 = nn.Linear(128, 64) # 隐含层
        self.fc3 = nn.Linear(64, 10) # 输出层

    def forward(self, x):
        x = x.view(-1, 28 * 28) # 将输入数据展开成一维向量
        x = nn.functional.relu(self.fc1(x)) # ReLU 激活函数,第一层网络
        x = nn.functional.relu(self.fc2(x)) # ReLU 激活函数,第二层网络
        x = self.fc3(x) # 输出层
        return x

net = Net()

训练神经网络模型

现在我们的模型已经定义好了,我们需要对它进行训练。我们使用交叉熵损失函数和随机梯度下降优化器来训练模型。

# Define the loss function and optimizer
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# Train the neural network
# 训练神经网络模型
for epoch in range(5):
    running_loss = 0.0
    for i, data in enumerate(trainset, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 1000 == 999:    # 每1000个数据样本批次打印一次运行损失
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 1000))
            running_loss = 0.0

print('Finished Training')

测试神经网络模型

训练完成后,我们需要对模型进行测试,看看它在新数据上的性能如何。我们可以在测试集上计算模型的准确率。

# Test the neural network
# 测试神经网络模型
correct = 0
total = 0
with torch.no_grad():
    for data in testset:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

结论

在本教程中,我们使用 PyTorch 构建了一个简单的神经网络模型,并对其进行训练和测试。通过这个例子,您可以了解 PyTorch 的基本用法。希望本教程对您有所帮助。

你可能感兴趣的:(深度学习入门,pytorch,图像处理,python,机器学习)