pytorch简单神经网络模型训练

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_loader和test_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（fc1和fc2），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)