保定 网站制作,wordpress 会员支付,播视频网站开发,互联网发展趋势分析学习方法#xff1a;torch 边用边学#xff0c;边查边学 真正用查的过程才是学习的过程
直接上案例#xff0c;先来跑#xff0c;遇到什么解决什么
数据集Minist 数据集
做简单的任务 Minist 分类任务
总体代码#xff08;可以跑通#xff09;
from pathlib import …学习方法torch 边用边学边查边学 真正用查的过程才是学习的过程
直接上案例先来跑遇到什么解决什么
数据集Minist 数据集
做简单的任务 Minist 分类任务
总体代码可以跑通
from pathlib import Path
import requests
import pickle
import gzip
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
from torch import optim
import numpy as np
bs64
DATA_PATH Path(data)
PATH DATA_PATH / mnistPATH.mkdir(parentsTrue, exist_okTrue)URL http://deeplearning.net/data/mnist/
FILENAME mnist.pkl.gz
with gzip.open((PATH / FILENAME).as_posix(), rb) as f:((x_train, y_train), (x_valid, y_valid), _) pickle.load(f, encodinglatin-1)
from matplotlib import pyplot
import numpy as np
print(x_train.shape)# pyplot.imshow(x_train[0].reshape((28, 28)), cmapgray)
#获取训练数据和测试数据
x_train, y_train, x_valid, y_valid map(torch.tensor, (x_train, y_train, x_valid, y_valid)
)
#设置模型结构
class Mnist_NN(nn.Module):def __init__(self):super().__init__()self.hidden1 nn.Linear(784, 128)self.hidden2 nn.Linear(128, 256)self.out nn.Linear(256, 10)def forward(self, x):x F.relu(self.hidden1(x))x F.relu(self.hidden2(x))x self.out(x)return x
net Mnist_NN()
# print(net)
# for name, parameter in net.named_parameters():
# print(name, parameter,parameter.size())
#设置数据集和数据集加载器
train_ds TensorDataset(x_train, y_train)
train_dl DataLoader(train_ds, batch_size64, shuffleTrue)
valid_ds TensorDataset(x_valid, y_valid)
valid_dl DataLoader(valid_ds, batch_size64 * 2)
def get_data(train_ds, valid_ds, bs):return (DataLoader(train_ds, batch_sizebs, shuffleTrue),DataLoader(valid_ds, batch_sizebs * 2),)loss_func F.cross_entropy
def loss_batch(model, loss_func, xb, yb, optNone):loss loss_func(model(xb), yb)if opt is not None:loss.backward()opt.step()opt.zero_grad()return loss.item(), len(xb)
#训练参数
def fit(steps, model, loss_func, opt, train_dl, valid_dl):for step in range(steps):model.train()for xb, yb in train_dl:loss_batch(model, loss_func, xb, yb, opt)model.eval()with torch.no_grad():losses, nums zip(*[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl])val_loss np.sum(np.multiply(losses, nums)) / np.sum(nums)print(当前step:str(step), 验证集损失str(val_loss))
def get_model():model Mnist_NN()return model, optim.SGD(model.parameters(), lr0.001)
train_dl, valid_dl get_data(train_ds, valid_ds, bs)
model, opt get_model()
fit(20, model, loss_func, opt, train_dl, valid_dl)
corret0
total0
for xb,yb in valid_dl:outputsmodel(xb)_,predictedtorch.max(outputs.data,1)totalyb.size(0)corret(predictedyb).sum().item()
print(准确率是%d %%%(100*corret/total))
1.首先我们从最终实现的fit 函数开始看 在fit h函数之前有一个get_model 函数 得到model和优化器
model, opt get_model() 得到模型的优化器以后
需要把训练轮数 模型 损失函数 训练数据 测试数据传入fit 训练函数
fit(20, model, loss_func, opt, train_dl, valid_dl)
fit 函数
def fit(steps, model, loss_func, opt, train_dl, valid_dl):for step in range(steps):model.train()for xb, yb in train_dl:loss_batch(model, loss_func, xb, yb, opt)model.eval()with torch.no_grad():losses, nums zip(*[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl])val_loss np.sum(np.multiply(losses, nums)) / np.sum(nums)print(当前step:str(step), 验证集损失str(val_loss)) xb是从dataloader 中取64个训练数据图片 也就是64*784维度784代表28*28的手写数字图片的展平成一维向量
yb是64个图片对应的数字值
loss_batch(model, loss_func, xb, yb, opt) 我们看一下loss_batch 函数
loss 反向传播——更新优化器——优化器梯度归0
loss 是一个带有梯度的tensor .item返回的是loss 的值 lenxb 是为了求精度的时候算
输入是模型损失函数xb ,yb 和优化器
loss_func F.cross_entropy 损失函数是交叉熵损失函数
将xb 经过model 得到输出后 和xb 求损失函数 model 是定义的一个简单的模型有两个隐藏层一个输出层 784——128——256——10 再回到fit 函数的验证部分model.evl()
先来一个
with torch.no_grad()
不去计算梯度
zip(*的意思是解压缩 分别得到losses 和nums)loss 和num 鲜橙 求每64个batch 的总loss 再将datalosder的所有batch 相加除以总数得到训练损失
