导入需要的库
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
import torchvision
from torch.utils import data
from torchvision import transforms
获取和读取数据
def get_dataloader_workers():
if sys.platform.startswith('win'):
return 0
else:
return 4
def load_data_fashion_mnist(batch_size, resize=None):
# 下载Fashion-MNIST数据集，然后将其加载到内存中，返回训练集和测试集的数据迭代器
mnist_train = torchvision.datasets.FashionMNIST(root="data", train=True, transform=transforms.ToTensor(), download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="data", train=False, transform=transforms.ToTensor(), download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False, num_workers=get_dataloader_workers()))
batch_size = 256
train_iter, test_iter = load_data_fashion_mnist(batch_size)
定义和初始化模型
softmax回归的输出层是一个全连接层，所以用一个线性模块就可以了。
num_inputs = 28*28*1
num_outputs = 10
class LinearNet(nn.Module):
def __init__(self, num_inputs, num_outputs):
super(LinearNet, self).__init__()
self.linear = nn.Linear(num_inputs, num_outputs) # nn.Linear(input_size, output_size), 该线性层的输入特征数为num_inputs，输出特征数为1
def forward(self, x): # 前面数据返回的每个batch样本x的形状为(batch_size, 1, 28, 28), 要先用view()将x的形状转换成(batch_size, 784)才送入全连接层。
y = self.linear(x.view(x.shape[0], -1)) # 等价于 y = xw + b
return y
net = LinearNet(num_inputs, num_outputs)
# 用OrederedDict定义网络
# class FlattenLayer(nn.Module):
# def __init__(self):
# super(FlattenLayer, self).__init__()
# def forward(self, x):
# return x.view(x.shape[0], -1) # x 的形状转换成(batch, 784)，x.shape[0]表示batch_size，-1表示自动推测
# from collections import OrderedDict
# net = nn.Sequential(
# OrderedDict([ # 是一个有序字典
# ('flatten', FlattenLayer()), # 将输入x展平
# ('linear', nn.Linear(num_inputs, num_outputs)) # 全连接层
# ])
# )
初始化模型参数：
init.normal_(net.linear.weight, mean=0, std=0.01) # 正态分布初始化
init.constant_(net.linear.bias, val=0)
softmax和交叉熵损失函数
分开定义softmax运算和交叉熵损失函数可能会造成数值不稳定。PyTorch提供了一个包括softmax运算和交叉熵损失计算的函数。它的数值稳定性更好。
loss = nn.CrossEntropyLoss() # 交叉熵损失函数，其中包括softmax运算和交叉熵损失计算
# 先用softmax运算得到类别的概率分布，再用交叉熵损失计算得到交叉熵损失
定义优化算法
optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 调用optim实例的step函数来迭代模型参数
# net.parameters()返回一个包含模型所有参数的生成器，每个参数是一个tensor
训练模型
def evaluate_accuracy(data_iter, net):
acc_sum, n = 0.0, 0
for X, y in data_iter: # X是图像，y是标签，数量为batch_size
acc_sum += (net(X).argmax(dim=1) == y).float().sum().item() # net(X) 返回预测概率，argmax(dim=1)返回概率最大的类别，与标签y比较
n += y.shape[0] # y.shape[0]是y的行数，也就是batch_size
return acc_sum / n # 返回正确率
def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params=None, lr=None, optimizer=None):
for epoch in range(num_epochs): # 训练模型一共需要num_epochs个迭代周期
train_l_sum, train_acc_sum, n = 0.0, 0.0, 0 # 训练损失总和，训练准确度总和，样本数
for X, y in train_iter: # X是图像，y是标签，数量为batch_size
y_hat = net(X) # 预测概率
l = loss(y_hat, y).sum() # 计算损失，sum()将所有loss值相加得到一个标量
optimizer.zero_grad() # 梯度清零
l.backward() # 计算梯度
optimizer.step() # 更新模型参数
train_l_sum += l.item() # 将当前批次loss值相加得到一个总的loss值
train_acc_sum += (y_hat.argmax(dim=1) == y).sum().item() # 计算总准确率
n += y.shape[0] # y.shape[0]是y的行数，也就是batch_size，计算总样本数
test_acc = evaluate_accuracy(test_iter, net) # 计算测试集准确率
print('周期 %d, 损失 %.4f, 数据集准确率 %.3f, 测试集准确率 %.3f'
% (epoch + 1, train_l_sum / n, train_acc_sum / n, test_acc))
# 训练模型
num_epochs = 5
train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)
Comments | NOTHING