一、步骤总结
整体的步骤一共分为4个部分:
1.准备数据
2.定义模型
3.创建模型,调用损失函数和优化器
4.训练和测试
二、详细说明
1.准备数据
在数据准备之前需要引入相关的包:
import torch
from torch import nn
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
利用datasets类和DataLoader类创建训练数据和测试数据:
*(MINST为pytorch官网可提供下载的一种数据集(手写数字数据集),其中为60000张训练数据,10000张测试数据,这里datasets.MNIST()可以直接进行下载到当前目录下)
*参数说明:
root:str 第一个参数为下载数据所存放的路径;
train=True 第二个参数为bool类型,当train=True表示下载训练集,为False则表示下载测试集
download 表示是否下载,一般选择True
transform 表示对数据进行哪些操作,由于下载下来的数据为PIL类型,如果要用pytorch对数据进行操作必须将其转换成张量,也就是tensor类型,所以需要提前处理数据。
(Compose是将多种transform操作集合放在一起,ToTensor()是将图片转化成张量;
Normalize为归一化,让所有图像的像素值满足0~1分布
…
还可以在这里根据需求定义其它处理操作)
batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.137,),(0.3081,)) #均值,标准差
])
下载数据并创建DataLoader:
train_dataset = datasets.MNIST('./DataSet/minst/train',train=True,download=True,transform=transform)
test_dataset = datasets.MNIST('./DataSet/minst/test',train=False,download=True,transform=transform)
train_dataloader = DataLoader(train_dataset,shuffle=True,batch_size=batch_size)
test_dataloader = DataLoader(test_dataset,shuffle=False,batch_size=batch_size)
DataLoader是用来加载数据的一个类,可以看成一个迭代器:
第一个参数便是需要迭代的数据,即前面定义的train_dataset 或者 test_dataset;
第二个参数shuffle表示是否将数据顺序打乱;
第三个参数为前面定义的batch_size,表示每次从总的数据样本中取batch_size个数据。
2.定义模型
x = x.view(-1,784) -----表示输入的图像变为1行784列的向量,通俗的说就是将一张28 ✖ 28的图像的所有像素值拼起来,-1表示自动计算N的值(N表示样本数量)
nn.Linear(784,512)-----表示input = 784,output = 512,
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = nn.Linear(784,512)
self.l2 = nn.Linear(512,256)
self.l3 = nn.Linear(256,128)
self.l4 = nn.Linear(128,64)
self.l5 = nn.Linear(64,10)
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)
最后一层不需要relu激活,因为需要输入到softmax中。
3.创建模型,调用损失函数和优化器
#创建模型
mymodel = Net()
#创建损失函数
loss_func = torch.nn.CrossEntropyLoss()
#创建优化器
optimizer = torch.optim.SGD(mymodel.parameters(),lr=0.01,momentum=0.5)
这里选用的损失函数是交叉熵函数CrossEntropyLoss,优化器optimizer 选用的是SGD(随机梯度下降),关于SGD里面的参数可以参考pytorch官网API:torch.optim
4.对模型进行训练
def train(epoch):
running_loss = 0.0
for batch_idex,data in enumerate(train_dataloader,0):
inputs,targets = data
optimizer.zero_grad() #清零操作要在优化器优化之前
outputs = mymodel(inputs)
loss = loss_func(outputs,targets)
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idex % 300 ==299: #epoch+1是因为epoch是从0开始的
print('[%d,%5d] loss:%.3f' % (epoch + 1,batch_idex+1,running_loss/300))
running_loss = 0.0
将一轮循环封装成一个train函数,方便使用,也提高了代码的简洁性。
训练步骤可以分为三步:
1.正向传播
2.反向传播
3.更新参数
其中需要注意的几个问题:
1.在每次调用正向传播之后需要optimizer.zero_grad()进行梯度清零操作,不然梯度就会不断累加。
2.running_loss 是用来记录累计的loss值,累加loss直接用loss.item(),不然的话就是计算图,用item取出就是数值。
3.打印操作不需要每次都打印,可以用if来控制打印周期
最后进行测试操作
def test():
correct = 0
total = 0
with torch.no_grad():
for data in test_dataloader:
inputs,targets = data
outputs = mymodel(inputs)
_,predicted = torch.max(outputs.data,dim=1)
total += targets.size(0)
correct += (predicted == targets).sum().item()
print('Accuracy on test set:%d %% ' % (100 * correct/total))
test里面就不需要进行反向传播,只需要进行正向,所以用no_grad()来取消梯度:
with torch.no_grad():
_,predicted = torch.max(outputs.data,dim=1)返回的是两个值,分别是测试数据中每行中的最大值和最大值下标,dim = 1 表示行,dim = 0表示列。
labels.size(0)返回的元组,size(0)表示取元组的第一个数,这里labels.size(0)返回的是N。
最后用正确的个数除以总的个数,得到准确率。