前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于Pytorch的MLP实现基于Pytorch的MLP实现

基于Pytorch的MLP实现基于Pytorch的MLP实现

作者头像
月见樽
发布2018-04-27 11:44:22
7.3K0
发布2018-04-27 11:44:22
举报

基于Pytorch的MLP实现

目标

  • 使用pytorch构建MLP网络
  • 训练集使用MNIST数据集
  • 使用GPU加速运算
  • 要求准确率能达到92%以上
  • 保存模型

实现

数据集:MNIST数据集的载入

MNIST数据集是一种常用的数据集,为28*28的手写数字训练集,label使用独热码,在pytorch中,可以使用torchvision.datasets.MNIST()torch.utils.data.DataLoader()来导入数据集,其中

  • torchvision.datasets.MNIST():用于下载,导入数据集
  • torch.utils.data.DataLoader():用于将数据集整理成batch的形式并转换为可迭代对象
代码语言:javascript
复制
import torch as pt
import torchvision as ptv
import numpy as np
代码语言:javascript
复制
train_set = ptv.datasets.MNIST("../../pytorch_database/mnist/train",train=True,transform=ptv.transforms.ToTensor(),download=True)
test_set = ptv.datasets.MNIST("../../pytorch_database/mnist/test",train=False,transform=ptv.transforms.ToTensor(),download=True)
代码语言:javascript
复制
train_dataset = pt.utils.data.DataLoader(train_set,batch_size=100)
test_dataset = pt.utils.data.DataLoader(test_set,batch_size=100)

网络结构构建

网络使用最简单的MLP模型,使用最简单的线性层即可构建,本次网络一共有3层全连接层,分别为28*28->512,512->128,128->10,除了输出层的激活函数使用softmax以外,其他均采用relu

代码语言:javascript
复制
class MLP(pt.nn.Module):
    def __init__(self):
        super(MLP,self).__init__()
        self.fc1 = pt.nn.Linear(784,512)
        self.fc2 = pt.nn.Linear(512,128)
        self.fc3 = pt.nn.Linear(128,10)
        
    def forward(self,din):
        din = din.view(-1,28*28)
        dout = pt.nn.functional.relu(self.fc1(din))
        dout = pt.nn.functional.relu(self.fc2(dout))
        return pt.nn.functional.softmax(self.fc3(dout))
model = MLP().cuda()
print(model)
代码语言:javascript
复制
MLP (
  (fc1): Linear (784 -> 512)
  (fc2): Linear (512 -> 128)
  (fc3): Linear (128 -> 10)
)

代价函数,优化器和准确率检测

代价函数使用交叉熵函数,使用numpy计算准确率(pytorch中也有相关函数),优化器使用最简单的SGD

代码语言:javascript
复制
# loss func and optim
optimizer = pt.optim.SGD(model.parameters(),lr=0.01,momentum=0.9)
lossfunc = pt.nn.CrossEntropyLoss().cuda()

# accuarcy
def AccuarcyCompute(pred,label):
    pred = pred.cpu().data.numpy()
    label = label.cpu().data.numpy()
#     print(pred.shape(),label.shape())
    test_np = (np.argmax(pred,1) == label)
    test_np = np.float32(test_np)
    return np.mean(test_np)

# test accuarcy
# print(AccuarcyCompute(
#     np.array([[1,10,6],[0,2,5]],dtype=np.float32),
#     np.array([[1,2,8],[1,2,5]],dtype=np.float32)))

训练网络

训练网络的步骤分为以下几步:

  1. 初始化,清空网络内上一次训练得到的梯度
  2. 载入数据为Variable,送入网络进行前向传播
  3. 计算代价函数,并进行反向传播计算梯度
  4. 调用优化器进行优化
代码语言:javascript
复制
for x in range(4):
    for i,data in enumerate(train_dataset):
    
        optimizer.zero_grad()
    
        (inputs,labels) = data
        inputs = pt.autograd.Variable(inputs).cuda()
        labels = pt.autograd.Variable(labels).cuda()
    
        outputs = model(inputs)
    
        loss = lossfunc(outputs,labels)
        loss.backward()
    
        optimizer.step()
    
        if i % 100 == 0:
            print(i,":",AccuarcyCompute(outputs,labels))
代码语言:javascript
复制
0 : 0.9
100 : 0.84
200 : 0.82
300 : 0.88
400 : 0.9
500 : 0.92
0 : 0.93
100 : 0.91
200 : 0.9
300 : 0.91
400 : 0.9
500 : 0.91
0 : 0.93
100 : 0.91
200 : 0.94
300 : 0.91
400 : 0.93
500 : 0.92
0 : 0.96
100 : 0.94
200 : 0.95
300 : 0.91
400 : 0.93
500 : 0.94

测试网络

使用使用测试集训练网络,直接计算结果并将计算准确率即可

代码语言:javascript
复制
accuarcy_list = []
for i,(inputs,labels) in enumerate(test_dataset):
    inputs = pt.autograd.Variable(inputs).cuda()
    labels = pt.autograd.Variable(labels).cuda()
    outputs = model(inputs)
    accuarcy_list.append(AccuarcyCompute(outputs,labels))
print(sum(accuarcy_list) / len(accuarcy_list))
代码语言:javascript
复制
0.936700002551

保存网络

pytorch提供了两种保存网络的方法,分别是保存参数和保存模型

  • 保存参数:仅仅保存网络中的参数,不保存模型,在load的时候要预先定义模型
  • 保存模型:保存全部参数与模型,load后直接使用
代码语言:javascript
复制
# only save paramters
pt.save(model.state_dict(),"../../pytorch_model/mlp/params/mlp_params.pt")

# save model
pt.save(model,"../../pytorch_model/mlp/model/mlp_model.pt")
代码语言:javascript
复制
/home/sky/virtualpython/pytorch0p2/lib/python3.5/site-packages/torch/serialization.py:147: UserWarning: Couldn't retrieve source code for container of type MLP. It won't be checked for correctness upon loading.
  "type " + obj.__name__ + ". It won't be checked "
代码语言:javascript
复制
test_save_net = MLP().cuda()
test_save_net.load_state_dict(pt.load("../../pytorch_model/mlp/params/mlp_params.pt"))
accuarcy_list = []
for i,(inputs,labels) in enumerate(test_dataset):
    inputs = pt.autograd.Variable(inputs).cuda()
    labels = pt.autograd.Variable(labels).cuda()
    outputs = model(inputs)
    accuarcy_list.append(AccuarcyCompute(outputs,labels))
print(sum(accuarcy_list) / len(accuarcy_list))
代码语言:javascript
复制
0.936700002551
代码语言:javascript
复制
test_save_model = pt.load("../../pytorch_model/mlp/model/mlp_model.pt")
accuarcy_list = []
for i,(inputs,labels) in enumerate(test_dataset):
    inputs = pt.autograd.Variable(inputs).cuda()
    labels = pt.autograd.Variable(labels).cuda()
    outputs = model(inputs)
    accuarcy_list.append(AccuarcyCompute(outputs,labels))
print(sum(accuarcy_list) / len(accuarcy_list))
代码语言:javascript
复制
0.936700002551

问题记录

Variable转numpy的问题

Variable目前没查到转为numpy的方法,考虑Variable中的数据保存在一个torch.Tensor中,该Tensor为Variable.data,直接将其转为numpy即可

GPU产生的转换问题

GPU上的Tensor不能直接转换为numpy,需要一个在CPU上的副本,因此可以先使用Variable.cpu()创建CPU副本,再使用Variable.data.numpy()方法

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017.10.21 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 基于Pytorch的MLP实现
    • 目标
      • 实现
        • 数据集:MNIST数据集的载入
        • 网络结构构建
        • 代价函数,优化器和准确率检测
        • 训练网络
        • 测试网络
        • 保存网络
      • 问题记录
        • Variable转numpy的问题
        • GPU产生的转换问题
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档