文章目录
-
-
- 完整代码
- 代码解析
-
- 设备配置
- 超参数设置
- 加载MNIST数据集
- 创建数据加载器
- 定义神经网络模型
- 定义损失函数和优化器
- 训练模型
- 测试模型
- 保存模型
- 常用函数解析
-
完整代码
对于初学者而言,理解前馈神经网络的工作原理是进入深度学习世界的第一步。这些网络以其清晰的层级结构和简单的信息流动方式,为学习者提供了易于理解的框架。本文旨在以浅显易懂的语言介绍前馈神经网络的基本概念,帮助读者构建对这一领域的认知基础。接下来先给出完整代码,我们在一点点进行解析。
python
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
# Device configuration
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# Hyper-parameters
input_size = 784
hidden_size = 500
num_classes = 10
num_epochs = 5
batch_size = 100
learning_rate = 0.001
# MNIST dataset
train_dataset = torchvision.datasets.MNIST(root='../../data',
train=True,
transform=transforms.ToTensor(),
download=True)
test_dataset = torchvision.datasets.MNIST(root='../../data',
train=False,
transform=transforms.ToTensor())
# Data loader
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=False)
# Fully connected neural network with one hidden layer
class NeuralNet(nn.Module):
def __init__(self, input_size, hidden_size, num_classes):
super(NeuralNet, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_size, num_classes)
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
return out
model = NeuralNet(input_size, hidden_size, num_classes).to(device)
# Loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
# Train the model
total_step = len(train_loader)
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
# Move tensors to the configured device
images = images.reshape(-1, 28*28).to(device)
labels = labels.to(device)
# Forward pass
outputs = model(images)
loss = criterion(outputs, labels)
# Backward and optimize
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i+1) % 100 == 0:
print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
.format(epoch+1, num_epochs, i+1, total_step, loss.item()))
# Test the model
# In test phase, we don't need to compute gradients (for memory efficiency)
with torch.no_grad():
correct = 0
total = 0
for images, labels in test_loader:
images = images.reshape(-1, 28*28).to(device)
labels = labels.to(device)
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: {} %'.format(100 * correct / total))
# Save the model checkpoint
torch.save(model.state_dict(), 'model.ckpt')
代码解析
设备配置
python
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
- 函数 :
torch.device
- 参数:设备类型字符串('cuda' 或 'cpu')
- 意义:配置模型运行的设备,优先使用GPU,如果GPU不可用则使用CPU。
- 用法:将模型和数据移动到指定的设备上。
超参数设置
python
# Hyper-parameters
input_size = 784
hidden_size = 500
num_classes = 10
num_epochs = 5
batch_size = 100
learning_rate = 0.001
- 定义了网络结构和训练过程的参数。
加载MNIST数据集
python
# MNIST dataset
# torchvision.datasets.MNIST(...)
- 加载MNIST训练集和测试集,使用
transforms.ToTensor()
将图像转换为张量。
创建数据加载器
python
# Data loader
# torch.utils.data.DataLoader(...)
- 创建用于批量加载数据的DataLoader。
定义神经网络模型
python
class NeuralNet(nn.Module):
# 类定义和初始化方法
def __init__(self, input_size, hidden_size, num_classes):
super(NeuralNet, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_size, num_classes)
# 前向传播
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
return out
model = NeuralNet(input_size, hidden_size, num_classes).to(device)
- 类 :
NeuralNet
- 方法 :
__init__
:初始化网络层。forward
:定义前向传播过程。
- 用法:创建一个具有一个隐藏层的全连接神经网络模型,并将其移动到配置的设备上。
定义损失函数和优化器
python
# Loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
- 函数 :
nn.CrossEntropyLoss
和torch.optim.Adam
- 参数:模型参数、学习率。
- 意义:定义了模型的损失函数和优化器。
训练模型
python
# Train the model
# 循环、优化步骤、打印训练进度
- 训练循环,包括数据预处理、前向传播、损失计算、反向传播和参数更新。
测试模型
python
# Test the model
# torch.no_grad() 上下文管理器、模型预测、计算准确率
- 测试循环,计算模型在测试集上的准确率。
保存模型
python
# Save the model checkpoint
torch.save(model.state_dict(), 'model.ckpt')
- 函数 :
torch.save
- 参数:模型的状态字典、文件名。
- 意义:保存训练后的模型参数。
常用函数解析
-
torch.device(device_type)
-
格式 :
torch.device(device_type)
-
参数 :
device_type
------ 字符串,指定设备类型('cuda' 或 'cpu')。 -
意义:根据设备类型返回相应的设备对象,用于指定模型和张量运行的设备。
-
用法 :
pythondevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device)
-
-
torchvision.datasets.MNIST(...)
-
格式 :
torchvision.datasets.MNIST(root, train, transform, download)
-
参数 :
root
------ 存放数据集的根目录。train
------ 是否加载训练集。transform
------ 对数据集进行预处理的变换。download
------ 是否下载数据集。
-
意义:加载MNIST数据集。
-
用法 :
pythontrain_dataset = torchvision.datasets.MNIST(root='../../data', train=True, transform=transforms.ToTensor(), download=True)
-
-
torch.utils.data.DataLoader(...)
-
格式 :
torch.utils.data.DataLoader(dataset, batch_size, shuffle)
-
参数 :
dataset
------ 加载的数据集。batch_size
------ 每个批次的样本数。shuffle
------ 是否在每个epoch开始时打乱数据。
-
意义:创建一个数据加载器,用于批量加载数据。
-
用法 :
pythontrain_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)
-
-
nn.Module
,nn.Linear(...)
,nn.ReLU(...)
-
格式 :
class nn.Module
nn.Linear(in_features, out_features)
nn.ReLU()
-
参数 :
- 对于
Linear
:in_features
------ 输入特征数,out_features
------ 输出特征数。 - 对于
ReLU
:无默认参数。
- 对于
-
意义 :
Module
是所有神经网络模块的基类,Linear
创建一个线性层,ReLU
创建一个ReLU激活层。 -
用法 :
pythonclass NeuralNet(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(NeuralNet, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, num_classes)
-
-
nn.CrossEntropyLoss()
-
格式 :
nn.CrossEntropyLoss()
-
参数:无默认参数。
-
意义:创建一个计算交叉熵损失的模块,适用于多分类问题。
-
用法 :
pythoncriterion = nn.CrossEntropyLoss()
-
-
torch.optim.Adam(...)
-
格式 :
torch.optim.Adam(params, lr)
-
参数 :
params
------ 模型参数的迭代器。lr
------ 学习率。
-
意义:创建Adam优化器,用于模型的参数更新。
-
用法 :
pythonoptimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
-
-
.to(device)
-
格式 :
.to(device)
-
参数 :
device
------ 设备对象。 -
意义:将模型或张量移动到指定的设备。
-
用法 :
pythonimages = images.to(device) labels = labels.to(device)
-
-
.reshape(-1, 28*28)
-
格式 :
reshape(shape)
-
参数 :
shape
------ 期望的新形状,-1
表示自动计算该维度的大小。 -
意义:重塑张量的形状。
-
用法 :
pythonimages = images.reshape(-1, 28*28)
-
-
torch.max(outputs.data, 1)
-
格式 :
torch.max(input, dim, keepdim=False)
-
参数 :
input
------ 输入张量。dim
------ 要计算最大值的维度。
-
意义:计算张量在指定维度上的最大值和索引。
-
用法 :
python_, predicted = torch.max(outputs.data, 1)
-
-
torch.no_grad()
-
格式 :
torch.no_grad()
-
参数:无。
-
意义:上下文管理器,用于在测试或推理阶段禁用梯度计算。
-
用法 :
pythonwith torch.no_grad(): # 测试模型的代码
-
-
.sum().item()
-
格式 :
.sum(dim, keepdim=False)
和.item()
-
参数 :
dim
------ 求和的维度。 -
意义:计算张量在指定维度上的和,并转换为Python数值。
-
用法 :
pythoncorrect += (predicted == labels).sum().item()
-
-
torch.save(obj, f)
-
格式 :
torch.save(obj, f)
-
参数 :
obj
------ 要保存的对象。f
------ 文件路径或文件对象。
-
意义:将对象(如模型状态字典)保存到文件。
-
用法 :
pythontorch.save(model.state_dict(), 'model.ckpt')
-
这些函数和类是构建、训练和测试PyTorch模型的基础,涵盖了设备配置、数据加载、模型定义、训练过程、测试评估和模型保存等关键步骤。
the end