共计 2329 个字符,预计需要花费 6 分钟才能阅读完成。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
下载训练集
train_dataset = datasets.MNIST(root=’./’,
train=True,
transform=transforms.ToTensor(),
download=True)
下载测试集
test_dataset = datasets.MNIST(root=’./’,
train=False,
transform=transforms.ToTensor(),
download=True)
批次大小
batch_size = 64
装载训练集
train_loader = DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True)
装载测试集
test_loader = DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=True)
for i, data in enumerate(train_loader):
# 取得数据和对应的标签
inputs, labels = data
print(inputs.shape)
print(labels.shape)
break
定义网络结构
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 卷积层 1
# Conv2d 参数 1:[金属期货](https://www.gendan5.com/cf/mf.html) 输出通道数,黑白图片为 1,黑白为 3 参数 2:输入通道数,生成 32 个特色图 参数 3:5* 5 卷积窗口 参数 4:步长 1 参数 5:padding 补 2 圈 0(3* 3 卷积窗口填充 1 圈 0,5* 5 填充 2 圈 0)# 应用 ReLU 激活函数 池化窗口大小 2 *2,步长 2
self.conv1 = nn.Sequential(nn.Conv2d(1, 32, 5, 1, 2), nn.ReLU(), nn.MaxPool2d(2, 2))
# 卷积层 2 输出 32 个特色图 输入 64 个特色图
self.conv2 = nn.Sequential(nn.Conv2d(32, 64, 5, 1, 2), nn.ReLU(), nn.MaxPool2d(2, 2))
# 全连贯层 1 输出 64*7*7(原先为 28,每次池化 /2),1000
self.fc1 = nn.Sequential(nn.Linear(64 * 7 * 7, 1000), nn.Dropout(p=0.4), nn.ReLU())
# 全连贯层 2 输入 10 个分类,并转化为概率
self.fc2 = nn.Sequential(nn.Linear(1000, 10), nn.Softmax(dim=1))
def forward(self, x):
# 卷积层应用 4 维的数据
# 批次数量 64 黑白 1 图片大小 28*28
# ([64, 1, 28, 28])
x = self.conv1(x)
x = self.conv2(x)
# 全连贯层对 2 维数据进行计算
x = x.view(x.size()[0], -1)
x = self.fc1(x)
x = self.fc2(x)
return x
LR = 0.0003
定义模型
model = Net()
定义代价函数
entropy_loss = nn.CrossEntropyLoss()
定义优化器
optimizer = optim.Adam(model.parameters(), LR)
def train():
model.train()
for i, data in enumerate(train_loader):
# 取得数据和对应的标签
inputs, labels = data
# 取得模型预测后果,(64,10)out = model(inputs)
# 穿插熵代价函数 out(batch,C),labels(batch)
loss = entropy_loss(out, labels)
# 梯度清 0
optimizer.zero_grad()
# 计算梯度
loss.backward()
# 修改权值
optimizer.step()
def test():
model.eval()
correct = 0
for i, data in enumerate(test_loader):
# 取得数据和对应的标签
inputs, labels = data
# 取得模型预测后果
out = model(inputs)
# 取得最大值,以及最大值所在的地位
_, predicted = torch.max(out, 1)
# 预测正确的数量
correct += (predicted == labels).sum()
print("Test acc: {0}".format(correct.item() / len(test_dataset)))
correct = 0
for i, data in enumerate(train_loader):
# 取得数据和对应的标签
inputs, labels = data
# 取得模型预测后果
out = model(inputs)
# 取得最大值,以及最大值所在的地位
_, predicted = torch.max(out, 1)
# 预测正确的数量
correct += (predicted == labels).sum()
print("Train acc: {0}".format(correct.item() / len(train_dataset)))
for epoch in range(0, 10):
print('epoch:', epoch)
train()
test()
正文完