pytorch简单神经网络模型训练

目录

一、导入包

二、数据预处理

三、定义神经网络

四、训练模型和测试模型

五、程序入口


一、导入包

python 复制代码
import torch
import torch.nn as nn
import torch.optim as optim # 导入优化器
from torchvision import datasets, transforms # 导入数据集和数据预处理库
from torch.utils.data import DataLoader # 数据加载库

二、数据预处理

python 复制代码
def data_loader():
    '''数据的预处理'''

    # 定义数据预处理
    transform = transforms.Compose([

        transforms.ToTensor(),
        transforms.Normalize((0.5), (0.5))
    ])

    # 加载FashionMNIST数据集
    train_dataset = datasets.FashionMNIST(root='./data', train=True, download=True, transform=transform)
    test_dataset = datasets.FashionMNIST(root='.data', train=False, download=True, transform=transform)

    # 数据集加载器
    train_loader = DataLoader( train_dataset,batch_size=64, shuffle=True)
    test_loader = DataLoader(test_dataset,batch_size=64, shuffle=False)

    return train_loader, test_loader

这是一个常用于机器学习和深度学习研究中的数据集,包含了10类不同时尚商品的图像,每类有6000张训练图像和1000张测试图像。使用了PyTorch框架中的torchvision库来下载和加载Fashion-MNIST数据集。代码中定义了一个transform,它会将图像转换为张量,并对其进行归一化处理。然后,分别创建训练集和测试集的数据加载器train_loadertest_loader,这些加载器会在训练过程中以批量的形式提供数据。

三、定义神经网络

python 复制代码
# 定义神经网络
class QYNN(nn.Module):

    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(28 * 28,128)
        self.fc2 = nn.Linear(128,10)

    def forward(self, x):
        # 将数据展平
        x = torch.flatten(x,start_dim=1)
        # 激活x,方便数据全联接
        x = torch.relu(self.fc1(x))
        # 输出10分类
        x = self.fc2(x)

        return x

代码定义了一个简单的全连接神经网络,适用于Fashion-MNIST这样的图像分类任务。这个网络包含两个全连接层(fc1fc2),分别用于特征提取和分类。

这里是您定义的QYNN类的一些解释:

  • __init__方法定义了网络的结构。网络接受28x28像素的灰度图像作为输入,首先通过一个线性层fc1将784个像素值映射到128个特征,然后通过第二个线性层fc2将128个特征映射到10个输出,对应于10个类别。

  • forward方法定义了数据通过网络的前向传播过程。输入数据首先被展平成一个一维向量,然后通过fc1层,接着是ReLU激活函数,最后通过fc2层输出每个类别的得分。

四、训练模型和测试模型

训练模型

python 复制代码
def train(model, train_loader):
    '''训练模型'''

    # 训练轮数
    epochs = 10
    for epoch in range(epochs):
        running_loss = 0.0
        for inputs, labels in train_loader:
            # 梯度清零
            optimizer.zero_grad()
            # 将图片塞进去
            outputs = model(inputs)
            # 计算损失
            loss = criterion(outputs, labels)
            # 反向传播
            loss.backward()
            # 更新参数
            optimizer.step()
            # 损失值的累加
            running_loss += loss.item()
        print(f'Epoch:{epoch+1}/{epochs} | Loss: {running_loss/len(train_loader)}')

测试模型

test函数使用了torch.no_grad()来禁用梯度计算,因为在测试阶段我们不需要计算梯度。函数遍历测试数据加载器中的每个批次,将输入数据传递给模型以获取输出,然后使用torch.max函数来获取每个样本的最高得分类别作为预测结果。最后,函数计算预测正确的样本数量与总样本数量,从而得到准确率。

python 复制代码
def test(model, test_loader):
    '''测试模型'''

    correct = 0 # 正确的数量
    total = 0 # 样本的总量

    with torch.no_grad():
        for inputs, labels in test_loader:
            outputs = model(inputs)

            _, predicted = torch.max(outputs, 1)

            # 获取本次样本的数量
            total += labels.size(0)

            # 预测值 和 标签 相同则正确, 对预测值进行累加
            correct += (predicted == labels).sum().item()

    print(f'Test Accuracy: {correct / total:.2%}')

五、程序入口

python 复制代码
if __name__ == '__main__':
    # 设置随机种子
    torch.manual_seed(21)

    # 实例化神经网络
    model = QYNN()
    # 交叉商
    criterion = nn.CrossEntropyLoss()
    # 优化器
    optimizer = optim.SGD(model.parameters(),lr = 0.01)
    # 数据集
    train_loader, test_loader = data_loader()
    # 训练样本
    train(model, train_loader)
    # 测设样本
    test(model, test_loader)
相关推荐
九年义务漏网鲨鱼2 小时前
【大模型学习 | MINIGPT-4原理】
人工智能·深度学习·学习·语言模型·多模态
nananaij3 小时前
【Python进阶篇 面向对象程序设计(3) 继承】
开发语言·python·神经网络·pycharm
白杆杆红伞伞5 小时前
T01_神经网络
人工智能·深度学习·神经网络
槑槑紫5 小时前
深度学习pytorch整体流程
人工智能·pytorch·深度学习
盼小辉丶6 小时前
TensorFlow深度学习实战——去噪自编码器详解与实现
人工智能·深度学习·tensorflow
kebijuelun7 小时前
百度文心 4.5 大模型详解:ERNIE 4.5 Technical Report
人工智能·深度学习·百度·语言模型·自然语言处理·aigc
微学AI9 小时前
遥感影像岩性分类:基于CNN与CNN-EL集成学习的深度学习方法
深度学习·分类·cnn
IT古董9 小时前
【第三章:神经网络原理详解与Pytorch入门】02.深度学习框架PyTorch入门-(5)PyTorch 实战——使用 RNN 进行人名分类
pytorch·深度学习·神经网络
Superstarimage10 小时前
【EGSR2025】材质+扩散模型+神经网络相关论文整理随笔
人工智能·神经网络·材质
机器学习之心11 小时前
小波增强型KAN网络 + SHAP可解释性分析(Pytorch实现)
人工智能·pytorch·python·kan网络