文章目录
在MINST-FASHION上实现神经网络的学习流程
现在我们要整合本节课中所有的代码实现一个完整的训练流程。
首先要梳理一下整个流程：
-
1)设置步长lr,动量值 g a m m a gamma gamma ,迭代次数 e p o c h s epochs epochs , b a t c h _ s i z e batch\_size batch_size等信息，（如果需要）设置初始权重 w 0 w_0 w0
-
2)导入数据，将数据切分成 b a t c h _ s i z e batch\_size batch_size
-
3)定义神经网络架构
-
4)定义损失函数 L ( w ) L(w) L(w),如果需要的话，将损失函数调整成凸函数，以便求解最小值
-
5)定义所使用的优化算法
-
6)开始在 e p o c h e s epoches epoches 和 b a t c h batch batch上循环，执行优化算法：
- 6.1)调整数据结构，确定数据能够在神经网络、损失函数和优化算法中顺利运行;
- 6.2)完成向前传播，计算初始损失
- 6.3)利用反向传播，在损失函数 L ( w ) L(w) L(w)上对每一个 w w w求偏导数
- 6.4)迭代当前权重
- 6.5)清空本轮梯度
- 6.6)完成模型进度与效果监控
-
7)输出结果
1. 导库
这次我们要使用PyTorch中自带的数据，MINST-FATION。
python
import torch
from torch import nn
from torch import optim
from torch.nn import functional as F
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
#确定数据、确定优先需要设置的值
lr = 0.15
gamma = 0
epochs = 10
bs = 1282. 导入数据，分割小批量
python
import torchvision
import torchvision.transforms as transforms#初次运行时会下载，需要等待较长时间
mnist = torchvision.datasets.FashionMNIST(root='C:\Pythonwork\DEEP LEARNING\Datasets\FashionMNIST',
train=True,
download=True,
transform=transforms.ToTensor())
len(mnist)#查看特征张量
mnist.data#这个张量结构看起来非常常规，可惜的是它与我们要输入到模型的数据结构有差异
#查看标签
mnist.targets
#查看标签的类别
mnist.classes
#查看图像的模样
import matplotlib.pyplot as plt
plt.imshow(mnist[0][0].view((28, 28)).numpy());
plt.imshow(mnist[1][0].view((28, 28)).numpy());
#分割batch
batchdata = DataLoader(mnist,batch_size=bs, shuffle = True)
#总共多少个batch?
len(batchdata)
#查看会放入进行迭代的数据结构
for x,y in batchdata:
print(x.shape)
print(y.shape)
break
input_ = mnist.data[0].numel() #特征的数目，一般是第一维之外的所有维度相乘的数
output_ = len(mnist.targets.unique()) #分类的数目#最好确认一下没有错误
input_output_
#========================
import torchvision
import torchvision.transforms as transforms
mnist = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=False, transform=transforms.ToTensor())
batchdata = DataLoader(mnist,batch_size=bs, shuffle = True)
input_ = mnist.data[0].numel()
output_ = len(mnist.targets.unique()3. 定义神经网络
python
class Model(nn.Module):
def __init__(self,in_features=10,out_features=2):
super().__init__()
#self.normalize = nn.BatchNorm2d(num_features=1)
self.linear1 = nn.Linear(in_features,128,bias=False)
self.output = nn.Linear(128,out_features,bias=False)
def forward(self, x):
#x = self.normalize(x)
x = x.view(-1, 28*28)
#需要对数据的结构进行一个改变，这里的"-1"代表，我不想算，请pytorch帮我计算
sigma1 = torch.relu(self.linear1(x))
z2 = self.output(sigma1)
sigma2 = F.log_softmax(z2,dim=1)
return sigma24.定义训练函数
python
def fit(net,batchdata,lr=0.01,epochs=5,gamma=0):
criterion = nn.NLLLoss() #定义损失函数
opt = optim.SGD(net.parameters(), lr=lr,momentum=gamma) #定义优化算法
correct = 0
samples = 0
for epoch in range(epochs):
for batch_idx, (x,y) in enumerate(batchdata):
y = y.view(x.shape[0])
sigma = net.forward(x)
loss = criterion(sigma,y)
loss.backward()
opt.step()
opt.zero_grad()#求解准确率
yhat = torch.max(sigma,1)[1]
correct + torch. sum Cyhat == y)
samples + = x. shape [ o]
if (batch_ idx+ 1) % 125 o or batch_ idx = len (batchdata)-1:
print( Epocht: [ / (:of] % ) ] tLoss : 6ft Accuracy::.3f].format(
epoch+1
, samples
,len( batchdata. dataset) * epochs
,100* samples/ ( len (batchdata. dataset)epochs)
,loss.data.item()
,float(correct*100)/samples))5.进行训练与评估
python
#实例化神经网络，调用优化算法需要的参数
torch. manualseed(420)
net = Mode ( in_ features= input_ out_features=output_)
fit( net, batchdata, lr= lr, epochs= epochs, gamma=gamma)我们现在已经完成了一个最基本的、神经网络训练并查看训练结果的代码。