网站建设_超速云建站,西安网络公司网站建设,网站建设哪些是需要外援的问题,建筑设计有哪些专业神经网络如此神奇#xff0c;feel the magic
今天分享一下学习PyTorch官网demo的心得#xff0c;原来实现一个神经网络可以如此简单/简洁/高效#xff0c;同时也感慨PyTorch如此强大。
这个demo的目的是训练一个识别手写数字的模型#xff01;
先上源码#xff1a;
fr…神经网络如此神奇feel the magic
今天分享一下学习PyTorch官网demo的心得原来实现一个神经网络可以如此简单/简洁/高效同时也感慨PyTorch如此强大。
这个demo的目的是训练一个识别手写数字的模型
先上源码
from pathlib import Path
import requests # http请求库
import pickle
import gzipfrom matplotlib import pyplot # 显示图像库import math
import numpy as np
import torch###########下载训练/验证数据######################################################
# 这里加载的是mnist数据集
DATA_PATH Path(data)
PATH DATA_PATH / mnist
PATH.mkdir(parentsTrue, exist_okTrue)URL https://github.com/pytorch/tutorials/raw/main/_static/
FILENAME mnist.pkl.gzif not (PATH / FILENAME).exists():content requests.get(URL FILENAME).content(PATH / FILENAME).open(wb).write(content)###########解压并加载训练数据######################################################
with gzip.open((PATH / FILENAME).as_posix(), rb) as f:((x_train, y_train), (x_valid, y_valid), _) pickle.load(f, encodinglatin-1)# 通过pyplot显示数据集中的第一张图片
# 显示过程会中断运行看到效果之后可以屏蔽掉让调试更顺畅
#print(x_train[0]: , x_train[0])
#pyplot.imshow(x_train[0].reshape((28, 28)), cmapgray)
#pyplot.show()# 将加载的数据转成tensor
x_train, y_train, x_valid, y_valid map(torch.tensor, (x_train, y_train, x_valid, y_valid)
)
n, c x_train.shape # n是函数c是列数
print(x_train.shape: , x_train.shape)
print(y_train.min: {0}, y_train.max: {1}.format(y_train.min(), y_train.max()))# 初始化权重和偏差值权重是随机出来的784*10的矩阵偏差初始化为0
weights torch.randn(784, 10) / math.sqrt(784)
weights.requires_grad_()
bias torch.zeros(10, requires_gradTrue)# 激活函数
def log_softmax(x):return x - x.exp().sum(-1).log().unsqueeze(-1)# 定义模型y wx b
# 实际上就是单层的Linear模型
def model(xb):return log_softmax(xb weights bias)# 丢失函数 loss function
def nll(input, target):return -input[range(target.shape[0]), target].mean()
loss_func nll# 计算精度函数
def accuracy(out, yb):preds torch.argmax(out, dim1)return (preds yb).float().mean()###########开始训练##################################################################
bs 64 # 每一批数据的大小
lr 0.5 # 学习率
epochs 2 # how many epochs to train forfor epoch in range(epochs):for i in range((n - 1) // bs 1):start_i i * bsend_i start_i bsxb x_train[start_i:end_i]yb y_train[start_i:end_i]pred model(xb) # 通过模型预测loss loss_func(pred, yb) # 通过与实际结果比对计算丢失值loss.backward() # 反向传播with torch.no_grad():weights - weights.grad * lr # 调整权重值bias - bias.grad * lr # 调整偏差值weights.grad.zero_()bias.grad.zero_()##########对比一下预测结果############################################################
xb x_train[0:bs] # 加载一批数据这里用的是训练的数据在实际应用中最好使用没训练过的数据来验证
yb y_train[0:bs] # 训练数据对应的正确结果
preds model(xb) # 使用训练之后的模型进行预测
print(################## after training ###################)
print(accuracy: , accuracy(preds, yb)) # 打印出训练之后的精度
# print(preds[0])
print(pred value: , torch.argmax(preds, dim1)) # 打印预测的数字
print(real value: , yb) # 实际正确的数据可以直观地和上一行打印地数据进行对比
运行结果 可以看到训练后模型地预测精度达到了0.9531已经不错了毕竟只使用了一个单层地Linear模型从输出地对比数据中可以看出有三个地方预测错了红框标记地数字
ok今天先到这里下一篇再来解读代码中地细节
附
PyTorch官方源码https://github.com/pytorch/tutorials/blob/main/beginner_source/nn_tutorial.py 天地一逆旅同悲万古愁
