pytorch实现一个神经网络的主要步骤:
首先了解输入数据和输出数据的维度,以此来确定网络的结构,和考虑是否对数据进行预处理
1 将数据从numpy类型转为tensor类型(torch.from_numpy()),再转为variable类型
2 定义网络结构,进行前向传播,可以用Sequential 或 Module(参数也会随之被定义)
3.计算误差函数,pytorch有自带的误差函数,如
4.反向传播,pytorch内反向传播只需要先归零梯度,再使用优化器即可
5.参数的更新,使用优化器即可
主要过程
应用手写字符集的识别
所用的数据量比较大,6w条数据,数据量太大的话,不要一次性读进内存,此时就可以引入数据迭代器,一次读入一个批次的数据,像下图,就是从train_set中一次读入
代码:
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
# 使用内置函数下载 mnist 数据集
train_set = mnist.MNIST('./data', train=True, download=True)
test_set = mnist.MNIST('./data', train=False, download=True)
def data_tf(x):
x = np.array(x, dtype='float32') / 255
x = (x - 0.5) / 0.5 # 标准化,这个技巧之后会讲到
x = x.reshape((-1,)) # 拉平
##x=x.reshape(784,1)
x = torch.from_numpy(x)
return x
#./data表示mnist数据集加载的目录,train为true表示加载训练集,false表示加载测试集,transform=None表示不对数据进行预处理,吃出通过data——tf进行了预处理
train_set = mnist.MNIST('./data', train=True, transform=data_tf, 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=data_tf, 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, shuffle=True)
test_data = DataLoader(test_set, batch_size=128, shuffle=False)
net=nn.Sequential(
nn.Linear(784,400),
nn.ReLU(),
nn.Linear(400,200),
nn.ReLU(),
nn.Linear(200,100),
nn.ReLU(),
nn.Linear(100,10)
)
#定义loss函数
criterion=nn.CrossEntropyLoss()
#定义优化器,更新参数
optimizer=torch.optim.SGD(net.parameters(),1e-1)#学习率为0.1
for e in range(20):
train_loss=0
train_acc=0
for x,y in train_data:#上文指定了一个批次是64,每个循环从train_data中读取64组数据
#print(x.shape)
#print(y.shape)
x=Variable(x)
y=Variable(y)
#前向传播
out=net(x)
loss=criterion(out,y)##使用pytorch自带的交叉熵函数计算误差,criterion=nn.CrossEntropyLoss()
train_loss=train_loss+loss#一次循环只有64组数据的平均误差,我们用的是60000组数据的平均误差
#反向传播
optimizer.zero_grad()##归0梯度
loss.backward()##反向传播
optimizer.step()##使用优化器更新参数optimizer=torch.optim.SGD(net.parameters(),1e-1)
train_acc=train_acc+1#大约为948左右,948*64约等于6w
print("loss:{}".format(train_loss/train_acc))