文章目录
- 导入包
- 读取数据
- 卷积网络模块构建
- 设置评估标准为accuracy
- 训练网络模型
导入包
import torch
import torch.nn as nn
import torch.optim as optim #神经网络反向传播后,要更新每个节点的权重参数,进行优化optimization
import torch.nn.functional as F
from torchvision import datasets,transforms
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline #加上这句代码就能直接在jupyter生成图像,而不用像以前一样要运行两遍
读取数据
•分别构建训练集和测试集(验证集)
•DataLoader来迭代取数据
# 定义超参数
input_size = 28 #图像的总尺寸28*28
num_classes = 10 #标签的种类数:0,1,2,3,4...等数字
num_epochs = 3 #训练的总循环周期
batch_size = 64 #一个撮(批次)的大小:64张图片
# 训练集 从云端下载
train_dataset = datasets.MNIST(root='./data',
train=True,
transform=transforms.ToTensor(),
download=True)
# 测试集
test_dataset = datasets.MNIST(root='./data',
train=False,
transform=transforms.ToTensor())
# 构建batch数据
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=True)
卷积网络模块构建
•一般卷积层,relu层,池化层可以写成一个套餐
•注意卷积最后结果还是一个特征图,需要把图转换成向量才能做分类或者回归任务
class CNN(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Sequential( # 输入大小 (1, 28, 28)
nn.Conv2d(
in_channels=1, # 灰度图,只有黑白,也就是0,1;RGB会有3张图
out_channels=16, # 要得到几多少个特征图(做多少次卷积)
kernel_size=5, # 卷积核大小
stride=1, # 步长
padding=2, # 如果希望卷积后大小跟原来一样,需要设置padding=(kernel_size-1)/2 if stride=1
), # 输出的特征图为 (16, 28, 28)
nn.ReLU(), # relu层
nn.MaxPool2d(kernel_size=2), # 进行池化操作(2x2 区域), 输出结果为: (16, 14, 14)
)
self.conv2 = nn.Sequential( # 下一个套餐的输入 (16, 14, 14)
nn.Conv2d(16, 32, 5, 1, 2), # 输出 (32, 14, 14)
nn.ReLU(), # relu层
nn.MaxPool2d(2), # 输出 (32, 7, 7)
)
self.out = nn.Linear(32 * 7 * 7, 10) # 全连接层得到的结果
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1) # flatten操作,结果为:(batch_size, 32 * 7 * 7)
output = self.out(x)
return output
设置评估标准为accuracy
注意:神经网络中做模型分类任务时,衡量每次训练的好坏,计算损失值还是用的是交叉熵损失函数!!!,这里的accuracy是为了整个模型训练好后,看下预测的准确性为多少
def accuracy(predictions, labels):
pred = torch.max(predictions.data, 1)[1] #
rights = pred.eq(labels.data.view_as(pred)).sum() # rights 就是正确的意思
return rights, len(labels)
pred = torch.max(input, dim)
input是softmax函数输出的一个tensor(张量)
dim是max函数索引的维度0/1,0是每列的最大值,1是每行的最大值
返回的是两个张量tensor,第一个tensor是每一行/列的最大值,第二个tensor是每一行/列的最大值的索引
训练网络模型
# 实例化
net = CNN()
#损失函数
criterion = nn.CrossEntropyLoss()
#优化器
optimizer = optim.Adam(net.parameters(), lr=0.001) #定义优化器,普通的随机梯度下降算法
#开始训练循环
for epoch in range(num_epochs):
#当前epoch的结果保存下来
train_rights = []
for batch_idx, (data, target) in enumerate(train_loader): #针对容器中的每一个批进行循环
net.train()
output = net(data)
loss = criterion(output, target)
optimizer.zero_grad() #清零
loss.backward()
optimizer.step()
right = accuracy(output, targFet)
train_rights.append(right)
if batch_idx % 100 == 0:
net.eval()
val_rights = []
for (data, target) in test_loader:
output = net(data)
right = accuracy(output, target)
val_rights.append(right)
#准确率计算
train_r = (sum([tup[0] for tup in train_rights]), sum([tup[1] for tup in train_rights]))
val_r = (sum([tup[0] for tup in val_rights]), sum([tup[1] for tup in val_rights]))
print('当前epoch: {} [{}/{} ({:.0f}%)]\t损失: {:.6f}\t训练集准确率: {:.2f}%\t测试集正确率: {:.2f}%'.format(
epoch, batch_idx * batch_size, len(train_loader.dataset),
100. * batch_idx / len(train_loader),
loss.data,
100. * train_r[0].numpy() / train_r[1],
100. * val_r[0].numpy() / val_r[1]))