上次介绍了读取数据和神经网络构建,本节介绍训练和测试代码。
首先将上节代码放入:
import torch
from torch import nn
from torch.nn import functional as F
from torch import optim
import torchvision
import matplotlib.pyplot as plt
from utils import plot_curve, plot_result_image, one_hot
# 从utils.py中导入定义的工具
from torch.utils.data import DataLoader,Dataset
batch_size = 512
# 同时并行处理512张图片
train_loader = torch.utils.data.DataLoader(
torchvision.datasets.MNIST('mnist data', train=True, download=False,
# 更改download=True,以在线下载
transform=torchvision.transforms.Compose([
torchvision.transforms.ToTensor(),
# numpy数据转换为Tensor格式
torchvision.transforms.Normalize(
# 正则化
(0.1307,), (0.3081,)
# 设置参数,使数据均匀分布在0,1附近,以方便优化
)
])),
batch_size=batch_size, shuffle=True
# shuffle=True:随机打散
)
test_loader = torch.utils.data.DataLoader(
torchvision.datasets.MNIST('mnist data', train=False, download=False,
transform=torchvision.transforms.Compose([
torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize(
(0.1307,), (0.3081,)
)
])),
batch_size=batch_size, shuffle=True)
# 开始构建神经网络
x, y = next(iter(train_loader))
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 准备构建三层神经网络,每一层都是xw+b函数
self.fc1 = nn.Linear(28*28, 256)
# 构建线性层
# 初始图片的像素是28*28,默认是从“大层到小层”的过程
self.fc2 = nn.Linear(256, 64)
self.fc3 = nn.Linear(64, 10)
# 由于是十分类问题,因此最终输出是10个
def forward(self, x):
# 创建计算过程
# x:[batch, 1, 28, 28]
# 本次使用relu作为激活函数
x = F.relu(self.fc1(x))
# h1 = relu(xw + b1)
x = F.relu(self.fc2(x))
# h2 = relu(h1w2 + b2)
# h3 = h2w3 + b3
x = self.fc3(x)
# 分类问题,可以加入softmax函数
return x
# 返回预测值
开始训练部分:
net = Net()
# 创建网络对象net
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)
# 选出优化器,learning rate设置为0.01, 动量设置为0.9
# 优化出合适的[w1, b1, w2, b2, w3, b3]
train_loss = []
for epoch in range(3):
# 每次求导都需要更新,因此进行迭代,这里进行三层迭代
for batch_idx, (x, y) in enumerate(train_loader):
# 每次迭代会对整个数据循环一遍
# 这里得到的x的shape为[512, 1, 28, 28]
# x:[b, 1, 28, 28], y:[512]
# 实际图片为4维,这里需要将其转化为2维。即将x进行打平, 将[b, 1, 28, 28] ==> [b, feature]
x = x.view(x.size(0), 28*28)
out = net(x)
# 将图片传给x
y_onehot = one_hot(y)
# 对y进行one_hot编码
loss = F.mse_loss(out, y_onehot)
optimizer.zero_grad()
# 清零操作
# 采用均方差计算loss
loss.backward()
optimizer.step()
# 完成w' = w - lr*gradient的过程,更新梯度
# 迭代三次,训练过程结束后,得到最佳的[w1, b1, w2, b2, w3, b3]
train_loss.append(loss.item())
if batch_idx % 10 == 0:
print(epoch, batch_idx, loss, loss.item())
# 每隔10个输出结果
这里绘制出降低loss的曲线
plot_curve(train_loss)
结果如下
但要注意loss的降低程度不能代表神经网络结构模型的好坏,应该将最终的正确率结果作为验证模型优劣的工具。
total_correct = 0
# 另初始总正确率为0
for x, y in test_loader:
x = x.view(x.size(0), 28*28)
# 打平操作,成28*28
out = net(x)
# out : [b, 10]
pred = out.argmax(dim=1)
# (1维上)选出可能概率最大的索引作为预测值
# 即执行[b, 10] ==> [b]的操作
correct = pred.eq(y).sum().float().item()
# correct = pred.eq(y)正确的话返回1,后面sum将正确的1集合起来,最后再转换为float和item类型(tensor的转换)
total_correct += correct
# 正确的次数加到total_correct上去
total_num = len(test_loader.dataset)
# 计算出整体样本数
acc = total_correct / total_num
加入输出正确率acc的代码
print('acc', acc)
这里输出了正确率为
acc 0.8886
88.86%的正确率,效果尚可。
为更直观的显示出识别结果,加入代码:
x, y = next(iter(test_loader))
# 查看batch的预测结果
out = net(x.view(x.size(0), 28*28))
pred = out.argmax(dim=1)
plot_result_image(x, pred, 'test')
# 直观显示结果
输出一张3*3的识别图片
本文分享自 python pytorch AI机器学习实践 微信公众号,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!