刘二大人pytorch初学：多分类问题

一、课程代码复现

里面有一部分，不知道为什么总是说我语法错误，目前还没找出来，先留存在此

#导入各种需要的包
import torch
from torchvision import transforms#处理图像时常用的transform，后面会介绍会变成向量
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F#不用sigmoid，用ReLu
import torch.optim as optim#优化器

#prepare Dataset，准备数据集
batch_size = 64
#把张量变成一阶向量，并压缩成浮点数
'''transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,),(0.3081,))#分别是mean均值和标准差std，这两个值是对整个MINIST的数据集求后得到的经验值
])
train_dataset = datasets.MNIST(root='dataset/mnist/',
                              train=True,
                              download=True,
                              transform=tansform)
train_loader = DataLoader(train_dataset,
                         shuffle=True,
                         batch_size=batch_size)#定义dataset，从网上下载下来
test_dataset = dataset.MNIST(root='dataset/mnist/',
                            train=False,
                            download=True,
                            transform=transform)
test_loader = DataLoader(test_dataset,
                        shuffle=False,
                        batch_size=batch_size)'''
transform = transforms.Compose([
    transforms.ToTensor(),
# 均值 标准差 => 切换到0-1正态分布
    transforms.Normalize((0.1307, ), (0.3081, )) # 数值计算之后得到的结果
])
# 在视觉里面，灰度图就是一个矩阵，但实际上并不是一个矩阵，我们把它叫做单通道图像，彩色图像是RGB三通道图像，通道有宽度和高度，一般我们读进来的图像张量是WHC(宽高通道)
# 在PyTorch里面我们需要将WHC转化成CWH,把通道放在前面是为了在PyTorch里面进行更高效的图像处理，卷积运算
train_dataset = datasets.MNIST(root='dataset/mnist/',
                               train=True,
                               download=True,
                               transform=transform)
train_loader = DataLoader(train_dataset,
                          shuffle=True,
                          batch_size=batch_size)
test_dataset = datasets.MNIST(root='dataset/mnist',
                              train=False,
                              download=True,
                              transform=transform)
test_loader = DataLoader(test_dataset,
                         shuffle=False,
                         batch_size=batch_size)
#Design Model定义模型

class Net(torch.nn.Module):
    def __init__(self):#注意这些定义之前都是两个短横，包括__main__等，一定注意
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(784,512)
        self.l2 = torch.nn.Linear(512,256)
        self.l3 = torch.nn.Linear(256,128)
        self.l4 = torch.nn.Linear(128,64)
        self.l5 = torch.nn.Linear(64,10)
        #建了5层神经网络
        
    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return self.l5(x)

model = Net()

#选择Loss和optimizer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

#定义train和test
def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, target = data
        optimizer.zero_grad()
        
        #forward
        outputs = model(inputs)
        loss = criterion(outputs,target)
        #backward
        loss.backward()
        #update
        optimizer.step()
        
        #把算出来的loss累加到running_loss里面
        running_loss += loss.item()
        if batch_idx % 300 == 299:#每300个输出一轮
            print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
            running_loss = 0.0#输出过后将这个计数工具清零

def test():
    correct = 0
    total = 0
    with torch.no_grad():#test数据集不用算梯度
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim = 1)#表示在列下找最大值，返回最大值和下标
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
        print('Accuracy on test set: %d %%' % (100*correct / total) )
        
#前面的train和test定义完之后，后面可以直接写
if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()

二、课后作业

需要下载包的UU可以dd我，kaggle上面需要验证注册，考虑使用MOS系统，不用梯子就可以直接得到人机检验

作业代码：从刘二大人 PyTorch深度学习实践 笔记 P9 多分类问题处得到

可以自己去查询，跑起来没有任何问题，但是这个写法让我感觉不是特别流畅，可能我自己还没有理解。目前还是只能做到听懂，很难自己完成作业，希望后续能有改并写代码的能力。