网站建设需要哪些东西网络营销的主要手段

一、网络模型的搭建

以CIFAR10数据集作为训练例子

准备数据集：

#因为CIFAR10是属于PRL的数据集，所以需要转化成tensor数据集
train_data = torchvision.datasets.CIFAR10(root="./data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor(),download=True)

查看数据集的长度：

train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"训练数据集的长度为{train_data_size}")
print(f"测试数据集的长度为{test_data_size}")

运行结果：

利用DataLoader来加载数据集：

train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)

搭建CIFAR10数据集神经网络：

卷积层【1】代码解释：
#第一个数字3表示inputs（可以看到图中为3），第二个数字32表示outputs（图中为32）
#第三个数字5为卷积核（图中为5），第四个数字1表示步长（stride）
#第五个数字表示padding，需要计算，计算公式：

nn.Conv2d(3, 32, 5, 1, 2)

最大池化代码解释：
#数字2表示kernel卷积核

nn.MaxPool2d(2)

读图
卷积层【1】的Inputs 和 Outputs是下图这两个：

最大池化【1】的Inputs 和 Outputs是下图这两个：

卷积层【2】的Inputs 和 Outputs是下图这两个：

以此类推

展平：

Flatten后它会变成64*4 *4的一个结果

线性输出：

线性输入是64*4 *4，线性输出是64，故如下代码
nn.LInear(64 *4 *4,64)

继续线性输出

nn.LInear(64,10)

搭建网络完整代码：

class Sen(nn.Module):def __init__(self):super(Sen, self).__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1 ,2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self,x):x = self.model(x)return x

二、网络模型正确性检验

if __name__ == '__main__':sen = Sen()input = torch.ones((64, 3, 32, 32))output = sen(input)print(output.shape)

注释：

input = torch.ones((64, 3, 32, 32))

这一行代码的含义是：创建一个大小为 (64, 3, 32, 32) 的全 1 张量，数据类型为 torch.float32。
64：这是批次大小，代表输入有 64 张图片。
3：这是图片的通道数，通常为 RGB 图像的三个通道 (红、绿、蓝)。
32, 32：这是图片的高和宽，表示每张图片的尺寸为 32x32 像素。
torch.ones 函数用于生成一个全 1 的张量，这里的张量形状适合用于输入图像分类或卷积神经网络（CNN）中常见的 CIFAR-10 或类似的 32x32 像素图像数据。

运行结果：

可以得到成功变成了【64， 10】的结果。

三、创建网络函数

创建网络模型：

sen = Sen()

搭建损失函数：

loss_fn = nn.CrossEntropyLoss()

优化器：

learning_rate = 1e-2
optimizer = torch.optim.SGD(sen.parameters(), lr=learning_rate)

优化器注释：
使用随机梯度下降（SGD）优化器
learning_rate = 1e-2 这里的1e-2代表的是：1 x （10）^(-2) = 1/100 = 0.01

记录训练的次数:

total_train_step = 0

记录测试的次数:

total_test_step = 0

训练的轮数:

epoch= 10

进行循环训练：

for i in range(epoch):print(f"第{i+1}轮训练开始")for data in train_dataloader:imgs, targets = dataoutputs = sen(imgs)loss = loss_fn(outputs, targets)optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1print(f"训练次数：{total_train_step}，Loss：{loss.item()}")

注释：
imgs, targets = data是解包数据，imgs 是输入图像，targets 是目标标签（真实值）
outputs = sen(imgs)将输入图像传入模型 ‘sen’，得到模型的预测输出 outputs
loss = loss_fn(outputs, targets)计算损失值（Loss），loss_fn 是损失函数，它比较outputs的值与targets 是目标标签（真实值）的误差
optimizer.zero_grad()清除优化器中上一次计算的梯度，以免梯度累积
loss.backward()反向传播，计算损失相对于模型参数的梯度
optimizer.step()使用优化器更新模型的参数，以最小化损失
loss.item() 将张量转换为 Python 的数值
loss.item演示：

import torch
a = torch.tensor(5)
print(a)
print(a.item())

运行结果：

因此可以得到：item的作用是将tensor变成真实数字5

本章节完整代码展示：

import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoaderclass Sen(nn.Module):def __init__(self):super(Sen, self).__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1 ,2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self,x):x = self.model(x)return x
#准备数据集
#因为CIFAR10是属于PRL的数据集，所以需要转化成tensor数据集
train_data = torchvision.datasets.CIFAR10(root="./data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor(),download=True)#length长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"训练数据集的长度为{train_data_size}")
print(f"测试数据集的长度为{test_data_size}")train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)sen = Sen()#损失函数
loss_fn = nn.CrossEntropyLoss()#优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(sen.parameters(), lr=learning_rate)#记录训练的次数
total_train_step = 0
#记录测试的次数
total_test_step = 0
#训练的轮数
epoch= 10for i in range(epoch):print(f"第{i+1}轮训练开始")for data in train_dataloader:imgs, targets = dataoutputs = sen(imgs)loss = loss_fn(outputs, targets)optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1print(f"训练次数：{total_train_step}，Loss：{loss.item()}")

运行结果：

可以看到训练的损失函数在一直进行修正。