《Pytorch2.0深度学习从零开始学》笔记（一）

基于pytorch的MNIST分类实战

模型的损失函数与优化函数

（1）选用MSELoss作为损失函数（均方损失函数）

MSELoss的作用是计算预测值和真实值之间的欧氏距离。预测值和真实值越接近，两者的均方差就越小，均方差函数常用于线性回归模型的计算

loss=torch.nn.MSELoss(reduction="sum")(pred,y_batch)

(2)选用Adam优化器作为优化函数

optimizer=torch.optim.Adam(model.parameters(),lr=2e-5)

数据图像的获取与标签的说明

#对数据进行获取
#MNIST数据集--一个用来训练各种图像处理系统的二进制图像数据集
import numpy as np
x_train=np.load("./dataset/mnist/x_train.npy")
y_train_label=np.load("./dataset/mnist/y_train_label.npy")

one_hot编码函数

用于将分类数据转换为向量形式

x=torch.tensor(y_train_label[:5],dtype=torch.int64)
#定义一个张量输入，因为此时有5个数值，且最大值是9，类别数是10
#所以我们可以得到y的输出结果的形状为shape=(5,10)，即5行12列
y=torch.nn.functional.one_hot(x,10)
#一个参数张量x,10为类别数

多层感知机的模型结构

    class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork,self).__init__()
        self.flatten=nn.Flatten()
    self.linear_relu_stack=nn.Sequential(
        nn.Linear(28*28,312),
        nn.ReLU(),
        nn.Linear(312,256),
        nn.ReLU(),
        nn.Linear(256,10)
    )
def forward(self,input):
    x=self.flatten(input)
    logits=self.linear_relu_stack(x)
    return logits

损失函数的表示与计算

import torch
y=torch.LongTensor([0])
z=torch.Tensor([0.2,0.1,-0.1])
criterion=torch.nn.CrossEntropyLoss()
loss=criterion(z,y)
print(loss)

基于pytorch的手写体识别的实现

import os
import torch
import numpy as np
from tqdm import tqdm
batch_size=320#设定每次训练的批次数