Pytorch打怪路(二)pytorch进行mnist训练和测试

1.简述

程序来自pytorch官方tutorial给的examples,链接为:https://github.com/pytorch/examples/blob/master/mnist/main.py

我主要进行一下注释工作和实验程序


2.代码

from __future__ import print_function  #这个是python当中让print都以python3的形式进行print,即把print视为函数
import argparse  # 使得我们能够手动输入命令行参数,就是让风格变得和Linux命令行差不多
import torch     # 以下这几行导入相关的pytorch包,有疑问的参考我写的 Pytorch打怪路(一)系列博文
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable

# Training settings 就是在设置一些参数,每个都有默认值,输入python main.py -h可以获得相关帮助
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N', # batch_size参数,如果想改,如改成128可这么写:python main.py -batch_size=128
                    help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',# test_batch_size参数,
                    help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
                    h
  • 21
    点赞
  • 83
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
好的,关于softmax回归在PyTorch中的实现,针对FashionMNIST数据集的话,可以按照以下步骤进行。 首先,需要引入相应的包: ``` import torch import torchvision from torch.utils.data import DataLoader import torch.nn.functional as F ``` 然后,准备数据集: ``` # 准备训练集和测试集 train_dataset = torchvision.datasets.FashionMNIST(root='./data/FashionMNIST', train=True, transform=torchvision.transforms.ToTensor(), download=True) test_dataset = torchvision.datasets.FashionMNIST(root='./data/FashionMNIST', train=False, transform=torchvision.transforms.ToTensor(), download=True) # 定义数据加载器 train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) ``` 接下来,定义模型: ``` # 定义模型 class SoftmaxRegression(torch.nn.Module): def __init__(self): super(SoftmaxRegression, self).__init__() self.linear = torch.nn.Linear(784, 10) def forward(self, x): x = x.reshape(x.shape[0], -1) logits = self.linear(x) return logits ``` 然后,定义优化器和损失函数: ``` # 定义优化器和损失函数 model = SoftmaxRegression() optimizer = torch.optim.SGD(model.parameters(), lr=0.1) criterion = torch.nn.CrossEntropyLoss() ``` 接着,进行模型训练: ``` # 模型训练 num_epochs = 10 for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): # 前向传播及计算损失 outputs = model(images) loss = criterion(outputs, labels) # 反向传播及优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print("Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}".format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) ``` 最后,进行模型测试: ``` # 模型测试 with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total)) ``` 这样,就可以在PyTorch中实现softmax回归,利用FashionMNIST数据集进行模型训练测试了。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值