目录
本代码将使用含有四层隐层的神经网络识别手写数字,第1层256个神经元,第2层512个神经元,第3层128个神经元,第4层256个神经元。
1.导入神经网络模块
import torch
print(torch.__version__)
import torch
from torch import nn
#导入神经网络模块
from torch.utils.data import DataLoader #数据包管理工具,打包数据
from torchvision import datasets #封装了很多与图像相关的模型,数据集
from torchvision.transforms import ToTensor #数据转换,将其他类型的数据转换为tensor张量,如numpy,array, dataframe
2.下载数据集
'''
MNIST包含70000张手写数字图像: 60000张用于训练,10000张用于测试。
图像是灰度的,28x28像素的,并且居中的,以减少预处理和加快运行。
'''
'''下载训练数据集,(包含训练图片+标签)'''
training_data = datasets.MNIST(#跳转到国数的内部源代码,pycharm 按ctrl +鼠标点击
root="data",
train=True,
download=True,
transform=ToTensor(),#张量,图片不能直接传入神经网络模型
) #对于pytorch库能够识别的数据一般是tensor张量。
# datasets.MNIST的参数:
# root(string):表示数据集的根目录
# train(bool, optional): 如果为True,则从training.pt创建数据集,否则从test.pt创建数据集
# download(bool, optional): 如果为True,则从internet下载数据集并将其放入根目录。如果数据集已下载,则不会再次下载
# transform(callable, optional): 接收PIL图片并返回转换后版本图片的转换函数
'''下载测试数据集,(包含训练图片+标签)'''
test_data = datasets.MNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),#Tensor是在深度学习中提出并厂泛应用的数据类型,它与深度学习框架(如PyTorch、TensorFlow) 紧密集成
)#NumPy数组只能在CPU上运行。Tensor 可以在GPU上运行,这在深度学习应用中可以显著提高计算速度。
3.创建数据加载器
'''
创建数据DataLoader(数据加载器)
batch_size:将数据集分成多份,每一份为batch_size个数据。
优点:可以减少内存的使用,提高训练速度。
'''
train_dataloader = DataLoader(training_data, batch_size=64) #64张图片为一个包,
test_dataloader = DataLoader(test_data, batch_size=64)
4.判断当前设备是否支持GPU
'''判断当前设备是否支持GPU,其中mps是苹果m系列芯片的GPU。'''
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Using {device} device")
5.定义神经网络
'''定义神经网络 通过类的继承这种方式'''
class NeuralNetwork(nn.Module): # 通过调用类的形式来使用神经网络,神经网络的模型,继承父类nn.module
def __init__(self): # python基础关于类, self类自己本身
super().__init__() # 继承的父类初始化
self.flatten = nn.Flatten() # 创建一个展开对象flatten,flatten展开28*28的数据,每一个0或1的值为一个神经元
self.hidden1 = nn.Linear(28*28, 256) # 前一层神经元的个数,当前本层神经元个数
# 第1个参数:有多少个神经元传入进来,第2个参数:有多少个数据传出去
self.hidden2 = nn.Linear(256, 512)
self.hidden3 = nn.Linear(512, 128)
self.hidden4 = nn.Linear(128, 256)
self.out = nn.Linear(256, 10) # 输出必须和标签的类别相同,输入必须是上层的神经元个数
def forward(self, x): # 使神经网络层连接起来,函数名称不能改。
x = self.flatten(x) # 图像进行展开
x = self.hidden1(x)
x = torch.relu(x) # torch使用的relu函数 可选relu, tanh, sigmoid
x = self.hidden2(x)
x = torch.relu(x)
x = self.hidden3(x)
x = torch.relu(x)
x = self.hidden4(x)
x = torch.relu(x)
x = self.out(x)
return x
model = NeuralNetwork().to(device) #把刚刚创建的模型传入到 Gpu
print(model)
6.定义训练函数
def train(dataloader, model, loss_fn, optimizer):
model.train() # #告诉模型要开始训练,模型中ω进行随机化操作,以及更新ω,在训练过程中,ω会被修改
# pytorch提供2种方式来切换训练和测试的模式,分别是: model.train()和 model.eval()。
# 一般用法是: 在训练开始之前写上 model.train(),在测试时写上model.eval() 。
batch_size_num = 1
for X, y in dataloader: # 其中batch为每个数据的编号
X, y = X.to(device), y.to(device) # 把训练数据集和标签传入cpu或GPU
pred = model.forward(X) # 自动初始化ω权值
loss = loss_fn(pred, y) # 通过交叉熵损失函数计算损失值loss
# 进来一个batch的数据,计算一次梯度,更新一次网络
optimizer.zero_grad() # 梯度值清零
loss.backward() # 反向传播计算得到每个参数的梯度值
optimizer.step() # 根据梯度更新网络参数
loss_value = loss.item() # item从tensor数据中提取数据出来,tensor获取损失值
print(f"loss: {loss_value:>7f} [number:{batch_size_num}]")
batch_size_num += 1
7.定义测试函数
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval() # 测试,ω就不能再更新。
test_loss, correct = 0, 0
with torch.no_grad():# 一个上下文管理器,关闭梯度计算。当确认不会调用Tensor.backward()的时候。这可以减少计算所用内存消耗。
for X, y in dataloader:
X, y = X.to(device), y.to(device) # 数据传到GPU或者CPU中
pred = model.forward(X)
test_loss += loss_fn(pred, y).item() # test_loss 会自动累加每一个批次的损失值
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
# dim=1表示每行中的最大值对应的索引号,dim=0表示每列中的最大值对应的索引号
# torch类型转换成float类型
# sum计算正确的个数
test_loss /= num_batches # 能来衡量模型测试的好坏。
correct /= size # 平均的正确率
print(f"Test result: \n Accuracy: {(100*correct)}%,Avg loss: {test_loss}")
8.调用函数
loss_fn = nn.CrossEntropyLoss() # 创建交叉熵损失函数对象,因为手写字识别中共有10个数字,输出会有10个结果
optimizer = torch.optim.SGD(model.parameters(), lr=0.1) # 创建一个优化器, SGD为随机梯度下降算法,Adam为自适应矩估计算法
# params:要训练的参数. 一般我们传入的都是model.parameters()。
# lr: Learning_rate学习率,也就是步长。
# loss表示模型训练后的输出结果与样本标签的差距。如果差距越小,就表示模型训练越好,越逼近于真实的模型。
train(train_dataloader, model, loss_fn, optimizer) # 训练1次完整的数据,可以进行多轮训练
test(test_dataloader, model, loss_fn)
9.多批次训练
epochs = 10 # 训练10次
for t in range(epochs):
print(f"Epoch {t+1}\n--------------------------")
train(train_dataloader, model, loss_fn, optimizer)
# test(test_ataloader, model, loss_fn)
print("Done!")
test(test_dataloader, model, loss_fn)