一、库导入
import numpy as np
import torch
from torchvision.datasets import mnist # 导入 pytorch 内置的 mnist 数据
from torch import nn
from torch.autograd import Variable
from torch.utils.data import DataLoader
二、下载训练集MNIST手写数字训练集
train_set = mnist.MNIST('./data', train=True, transform=deal, download=True) # 重新载入数据集,申明定义的数据变换
test_set = mnist.MNIST('./data', train=False, transform=deal, download=True)
# 使用 pytorch 自带的 DataLoader 定义一个数据迭代器
train_data = DataLoader(train_set, batch_size=64, transform=deal,shuffle=True)
test_data = DataLoader(test_set, batch_size=128,transform=deal, shuffle=False)
三、数据预处理
def deal(x):
x = np.array(x, dtype='float32') / 255
x = x.reshape((-1,)) # 将二维数据变成一维
x = torch.from_numpy(x)
return x
四、定义多层连接神经网络
# 使用 Sequential 定义 4 层神经网络
class bp(nn.Module):
def __init__(self):
super(bp,self).__init__()
self.net = nn.Sequential(
nn.Linear(784, 1024),
nn.Tanh(),
nn.Linear(1024, 500),
nn.Tanh(),
nn.Linear(500, 200),
nn.Tanh(),
nn.Linear(200, 10)
)
def forward(self,x):
x=self.net(x)
return x
五、定义损害函数和优化方法
net=bp()
#交叉熵损失
criterion = nn.CrossEntropyLoss()
#随机梯度下降优化
optimizer = torch.optim.SGD(net.parameters(), 1e-1) # 使用随机梯度下降,学习率 0.1
六、开始训练
# 开始训练
for e in range(30):
tloss = 0
tacc = 0
net.train()
for im, label in train_data:
im = Variable(im)
label = Variable(label)
# 前向传播
out = net(im)
loss = criterion(out, label)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 记录误差
tloss += loss.item()
# 计算分类的准确率
_, pred = out.max(1)
num_correct = (pred == label).sum().item()
acc = num_correct / im.shape[0]
train_acc += acc
print("locc: ",tloss / len(test_data)," acc: ",tacc / len(test_data))
最后,经过数据训练,多层全连接网络的准确度在0.98左右,为了增加我们网络的准确度我们可以对网络添加批标准化,同时也可以进入网络中增加网络的泛化能力,如Dropout、正则化等。