网站建设英语词汇,长沙推广专员招聘,五种关键词优化工具,24淘宝网站建设学习自https://pytorch.org/tutorials/beginner/basics/quickstart_tutorial.html
导入并预处理数据集
pytorch中数据导入和预处理主要用torch.utils.data.DataLoader 和 torch.utils.data.Dataset Dataset 存储样本及其相应的标签#xff0c;DataLoader在数据上生成一个可迭…学习自https://pytorch.org/tutorials/beginner/basics/quickstart_tutorial.html
导入并预处理数据集
pytorch中数据导入和预处理主要用torch.utils.data.DataLoader 和 torch.utils.data.Dataset Dataset 存储样本及其相应的标签DataLoader在数据上生成一个可迭代对象(Dataset stores the samples and their corresponding labels, and DataLoader wraps an iterable around the Dataset.)
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor# Download training data from open datasets.
training_data datasets.FashionMNIST(rootdata,trainTrue,downloadTrue,transformToTensor(),
)# Download test data from open datasets.
test_data datasets.FashionMNIST(rootdata,trainFalse,downloadTrue,transformToTensor(),
)将数据集作为参数传递给 DataLoader。 这在我们的数据集上包装了一个可迭代对象并支持自动批处理、采样、混洗和多进程数据加载。并且每一个batch大小为64。
batch_size 64# Create data loaders.
train_dataloader DataLoader(training_data, batch_sizebatch_size)
test_dataloader DataLoader(test_data, batch_sizebatch_size)for X, y in test_dataloader:print(fShape of X [N, C, H, W]: {X.shape})print(fShape of y: {y.shape} {y.dtype})break搭建神经网络
MNIST手写数字数据集的图片是2828的所以第一层的输入为2828。 因为识别结果是0~9这10种所以最后一层的输出就是10个。
我们需要定义神经网络结构这部分在__init__(self)部分实现。 且我们需要forward部分定义网络正向传播的方法。
class NeuralNetwork(nn.Module):def __init__(self):super().__init__()self.flatten nn.Flatten()self.linear_relu_stack nn.Sequential(nn.Linear(28 * 28, 512),nn.ReLU(),nn.Linear(512, 512),nn.ReLU(),nn.Linear(512, 10))def forward(self, x):x self.flatten(x)logits self.linear_relu_stack(x)return logitsmodel NeuralNetwork().to(device)
print(model)训练模型
首先我们需要先定义损失函数和优化器优化梯度下降算法
loss_fn nn.CrossEntropyLoss()
optimizer torch.optim.SGD(model.parameters(), lr1e-3) # lr为学习率在一次循环中神经网络通过forward进行预测我们写的forward函数然后再利用预测误差。通过反向传播来进行梯度下降pytorch帮我们实现。
def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset)model.train()for batch, (X, y) in enumerate(dataloader):X, y X.to(device), y.to(device)# Compute prediction errorpred model(X)loss loss_fn(pred, y)# Backpropagationoptimizer.zero_grad()loss.backward()optimizer.step()if batch % 100 0:loss, current loss.item(), (batch 1) * len(X)print(floss: {loss:7f} [{current:5d}/{size:5d}])def test(dataloader, model, loss_fn):size len(dataloader.dataset)num_batches len(dataloader)model.eval()test_loss, correct 0, 0with torch.no_grad():for X, y in dataloader:X, y X.to(device), y.to(device)pred model(X)test_loss loss_fn(pred, y).item()correct (pred.argmax(1) y).type(torch.float).sum().item()test_loss / num_batchescorrect / sizeprint(fTest Error: \n Accuracy: {(100*correct):0.1f}%, Avg loss: {test_loss:8f} \n)开始训练
epochs 5
for t in range(epochs):print(fEpoch {t1}\n-------------------------------)train(train_dataloader, model, loss_fn, optimizer)test(test_dataloader, model, loss_fn)
print(Done!)
