import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor
from torchvision.models import resnet18
# 定义网络模型
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
self.conv = nn.Conv2d(1, 32, kernel_size=3)
self.fc = nn.Linear(32 * 26 * 26, 10)
def forward(self, x):
x = self.conv(x)
x = x.view(x.size(0), -1)
x = self.fc(x)
return x
# 加载数据集
train_dataset = MNIST(root='./data', train=True, download=True, transform=ToTensor())
test_dataset = MNIST(root='./data', train=False, download=True, transform=ToTensor())
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)
# 创建模型实例和优化器
model = SimpleNet()
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()
# 训练模型
for epoch in range(5):
model.train()
for images, labels in train_loader:
optimizer.zero_grad()
outputs = model(images)
loss = crit
erion(outputs, labels)
loss.backward()
optimizer.step()
# 在测试集上验证模型性能
model.eval()
correct = 0
total = 0
with torch.no_grad():
for images, labels in test_loader:
outputs = model(images)
predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
accuracy = correct / total
print(f"Epoch {epoch+1}, Accuracy: {accuracy:.2f}")
这个程序使用了PyTorch来训练一个简单的卷积神经网络模型来对MNIST手写数字进行分类。程序中首先定义了一个网络模型类`SimpleNet`,然后使用`MNIST`数据集加载训练和测试数据,并使用`DataLoader`进行批量数据加载。接下来创建模型实例、定义优化器和损失函数。然后进行训练循环,使用训练数据进行前向传播、反向传播和参数更新。每个epoch结束后,使用测试集进行模型性能评估,并输出准确率。
PyTorch是一个基于Torch的开源机器学习库,它提供了Python和C++接口。PyTorch具有易于使用的API、动态图、自动求导、混合精度计算、分布式训练等功能。PyTorch还提供了许多用于图像、文本、语音和增强学习等应用的预训练模型和数据集。PyTorch是许多机器学习工程师和研究人员的首选工具之一,用于开发和训练各种深度学习模型。
PyTorch是一个开源的机器学习框架,由Facebook的人工智能研究团队开发和维护。它提供了一个灵活而高效的深度学习平台,用于构建和训练各种神经网络模型。
PyTorch的设计理念是简单、易用和灵活。它采用了动态图计算的方式,使得开发者可以更加直观地构建和调试模型,而无需预先定义静态计算图。这使得PyTorch在实验和原型开发阶段非常方便,同时也提供了高性能的计算能力。
PyTorch提供了丰富的工具和库,用于处理图像、文本、语音等不同类型的数据。它还提供了许多常用的深度学习模型和预训练模型,使得开发者可以快速构建自己的模型,并在各种任务上进行训练和推理。
PyTorch还支持在多个硬件平台上进行高效的计算,包括CPU、GPU和TPU。它与Python语言紧密集成,可以方便地与其他Python库进行交互和扩展。
除了核心功能外,PyTorch还提供了丰富的文档和教程,以及一个活跃的社区。开发者可以通过官方文档和社区支持来获取帮助和解决问题。
总而言之,PyTorch是一个功能强大、易用灵活的机器学习框架,适用于各种深度学习任务和应用场景。它在学术界和工业界都得到了广泛的应用和认可,成为了许多研究和实际项目的首选框架之一。