1. 准备
- 数据集
(1)Dataset:将数据打包成一个(features,labels)对
(2)DataLoader将Dataset按给定批量大小batchsize打包成一个DataLoader - 神经网络
(1)class Netural_Network神经网络机构
(2)forward 前向传播函数 - 超参数
(1)batch_size:批量大小
(2)learning_rate:学习率
(3)epoch:迭代周期 - 损失函数
(1)loss_fn = nn.CrossEntropyLoss(); - 优化器
(1)optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) - 训练模式
我们假设训练集中有样本(x,y),假设神经网络为f(x);损失函数为l(x)
l ( x ) = l o s s f n [ f ( x ) , y ] l(x)=lossfn[f(x),y] l(x)=lossfn[f(x),y] - 将我们得到的f(x);通过给定x得到预测 pred=f(x)
2. 代码
- datasets
- dataloader
- NeuralNetwork
# 1.导入相关数据库
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
# 2.得到datasets
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
# 3. 通过datasets得到dataloader
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 4. 得到神经网络
class NeuralNetwork(nn.Module):
# 定义神经网络结构
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)
# 定义数据前向传播函数
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
# 5. 实例化神经网络
model = NeuralNetwork()
- Hyperparameters
一旦我们设置了超参数,我们就可以通过优化循环训练和优化我们的模型。优化循环的每次迭代称为epoch
每个epoch
由两个主要部分组成
(1)训练循环:迭代训练数据集,并尝试收敛到最优参数。
(2)验证/测试循环:迭代测试数据集,检查模型性能是否得到改善
# 学习率
learning_rate = 1e-3
# 批量大小
batch_size = 64
# 迭代周期
epochs = 5
- loss-function
损失函数的作用是为了测量神经网络输出值和目标标签的差距,我们的目标是希望损失越来越小,这样我们得到的神经网络就更适合做预测;常用的损失函数包括nn.MSELoss,(Mean Square Error, MSELoss);NLLLoss(负对数似然)用于分类。神经网络。CrossEntropyLoss结合了神经网络。LogSoftmax nn.NLLLoss。
# Initialize the loss function
# 交叉熵损失函数
loss_fn = nn.CrossEntropyLoss()
- optimizer
优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了这个过程是如何执行的(在这个例子中,我们使用随机梯度下降法)。所有优化逻辑都封装在优化器对象中。这里,我们使用SGD优化器;此外,PyTorch中还有许多不同的优化器,比如ADAM和RMSProp,它们可以更好地处理不同类型的模型和数据。我们通过记录需要训练的模型参数,并传入学习速率超参数来初始化优化器
# 定义优化器,将模型中需要训练的参数和学习率传入到优化器中
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
在训练循环中,优化分为三个步骤:
(1)调用 optimizer.zero_grad()
将模型的参数清零。参数的梯度在默认情况下是叠加的;为了防止重复计算,我们在每次迭代时显式地将它们归零。
(2)通过调用loss.backward()
反向传播预测损失;pytorch 保留了模型中每个参数的梯度,每次通过梯度来更新参数
(3)一旦我们有了梯度,我们调用optimizer.step()
来应用向后传递收集的梯度来调整参数
3. 整体应用
def train_loop(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
# 从训练的dataloader中拿到(features,labels)=(x,y)
for batch, (X, y) in enumerate(dataloader):
# Compute prediction and loss
# 通过神经网络,我们给定x得到预测pred
pred = model(X)
# 将pred和标签y计算得到损失loss
loss = loss_fn(pred, y)
# Backpropagation
# 优化器梯度清零
optimizer.zero_grad()
# 损失回传
loss.backward()
# 优化器更新
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
def test_loop(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
# 预测不需要更新模型,也就不需要计算梯度,故用with torch.no_grad()
with torch.no_grad():
# 从预测dataloader中拿到(features,label)=(x,y)
for X, y in dataloader:
# 通过模型得到预测pred
pred = model(X)
# 为了测试损失
test_loss += loss_fn(pred, y).item()
# 将预测值最大的一项定义为正确预测值
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
我们初始化loss函数和优化器,并将其传递给train_loop和test_loop。您可以随意增加epoch的数量,以跟踪模型的改进性能
# 定义损失函数
loss_fn = nn.CrossEntropyLoss()
# 定义优化器并将模型的参数和学习率传入到优化器中
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
# 开始迭代
epochs = 10
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
# 训练
train_loop(train_dataloader, model, loss_fn, optimizer)
# 测试
test_loop(test_dataloader, model, loss_fn)
print("Done!")