流程
准备数据,这些需要准备DataLoader
构建模型,这里可以使用torch构造一个深层的神经网络
模型的训练
模型的保存,保存模型,后续持续使用
模型的评估,使用测试集,观察模型的好坏
准备数据
先从torchvsion中下载好数字的图片数据作为训练数据集,download字段就是没有的话是否下载的意思,使用如下代码,将其下载好保存到data文件夹中
images = torchvision.datasets.MNIST(r'data',train=True,download=True)
为了方便处理数据我们需要对image类型进行转换
使用torchvision.transforms中的conpose,ToTensor,Normalize类
使用数据加载器起到把images打乱的效果,查看一下此时dataloader里的数据样子,一个列表,列表第一个是特征值(一个三阶tensor),第二个数是目标值,也就是这个数字是多少
构建模型
这里激活函数,就是让本来只能线性的拟合效果变得不是线性,增加了模型的非线性分割能力
import torchvision
from torch.utils.data import DataLoader
from torchvision.transforms import Compose,ToTensor, Normalize
import torch.nn as nn
import torch.nn.functional as f
# 准备数据
fn = Compose([
ToTensor(),
Normalize((0.1307,), (0.3081,))
])
minst = torchvision.datasets.MNIST(r'data',train=True,download=True,transform=fn)
minst2 = DataLoader(minst,shuffle=True)
for i in minst2:
print(i)
break
class MinstModel(nn.model,):
def __init__(self):
super(MinstModel, self).__init__()
self.fc1 = nn.Linear(28 * 28 * 1, 28) # 定义Linear的输入和输出的形状
self.fc2 = nn.Linear(28, 10) # 定义Linear的输入和输出的形状
def forward(self, input):
# 因为原始输入数据为的形状:[batch_size,1,28,28],要进行神经网络的运算,需要进行矩阵的乘法
# 所以需要变换形状
# 将input修改为[batch_size,28*28]
input = input.view(input[0], 28*28)
# 进行一次全连接(乘法),变换形状
input = self.fc1(input)
# 激活函数处理,处理函数为ReLU,图片适用
input = f.relu(input)
# 再进行一次全连接
out = self.fc2(input)
损失函数
损失函数(loss function)是用来估量模型的预测值f(x)与真实值Y的不一致程度,损失函数找到他的最小值就是我们所要求的,这里因为我们是分类的,而且是多分类,这里给一个别人的关于这个的讲解
用于多分类的交叉熵损失函数:由两步生成
代码一行就可以搞定
f.log_softmax(),就可以对传入的进行softmax和log操作
训练模型
将准备好的数据放进模型中训练
然后通过反向传播,找到拟合效果最好,误差最低的参数
def train(ones):
# 实例化训练模型
for idx, (input, traget) in enumerate(minst2):
# 所有参数的梯度,将其值置为0
optimizer.zero_grad()
# 模型训练出out
out = model1(input)
# 得到损失,
loss = f.nll_loss(out,traget)
# 反向传播计算梯度
loss.backward()
# 更新参数值
optimizer.step()
if idx % 10 == 0:
print(ones, idx, loss.item())
# 保存模型
if idx % 1000 == 0:
torch.save(model1.state_dict(),'./model.pkl')
torch.save(optimizer.state_dict(),'./optimizer.pkl')
1.梯度置于0是默认算出梯度出来会累加
2.反向传播计算梯度的方法,反向传播的原理如下:
这里反向传播a,b,c就是我们所想求的参数,j(a,b,c)就是根据损失函数进行求导的结果,带入算出每一次的参数梯度,并更新
最后进行保存模型,以免每次开始的时候都要从头训练
全部代码
import os
import torch
import torchvision
from torch.utils.data import DataLoader
from torchvision.transforms import Compose,ToTensor, Normalize
import torch.nn as nn
from torch.optim import Adam
import torch.nn.functional as f
# 实现手写数字识别
# 准备数据
fn = Compose([
ToTensor(),
Normalize((0.1307,), (0.3081,))
])
minst = torchvision.datasets.MNIST(r'data',train=True,download=True,transform=fn)
minst2 = DataLoader(minst,shuffle=True)
# 构建模型
class MinstModel(nn.Module):
def __init__(self):
super(MinstModel, self).__init__()
self.fc1 = nn.Linear(28 * 28 * 1, 28) # 定义Linear的输入和输出的形状
self.fc2 = nn.Linear(28, 10) # 定义Linear的输入和输出的形状
def forward(self, input):
# 因为原始输入数据为的形状:[batch_size,1,28,28],要进行神经网络的运算,需要进行矩阵的乘法
# 所以需要变换形状
# 将input修改为[batch_size,28*28]
input = input.view(-1, 28*28)
# 进行一次全连接(乘法),变换形状
input = self.fc1(input)
# 激活函数处理,处理函数为ReLU,图片适用
input = f.relu(input)
# 再进行一次全连接
out = self.fc2(input)
# 对输出进行一次softmax和取对数
out = f.log_softmax(out,dim=-1)
return out
model1 = MinstModel()
# 优化类的使用方法:
# 实例化,c
optimizer = Adam(model1.parameters(), lr=0.001)
if os.path.exists('model.pkl'):
model1.load_state_dict(torch.load('./model.pkl'))
optimizer.load_state_dict(torch.load('./optimizer.pkl'))
def train():
# 实例化训练模型
for idx, (input, traget) in enumerate(minst2):
# 所有参数的梯度,将其值置为0
optimizer.zero_grad()
# 模型训练出out
out = model1(input)
# 得到损失,
loss = f.nll_loss(out,traget)
# 反向传播计算梯度
loss.backward()
# 更新参数值
optimizer.step()
if idx % 10 == 0:
print(idx, loss.item())
# 保存模型
if idx % 1000 == 0:
torch.save(model1.state_dict(),'./model.pkl')
torch.save(optimizer.state_dict(),'./optimizer.pkl')
if __name__ == '__main__':
train()