pytorch学习之路——03

最新推荐文章于 2024-03-10 20:16:25 发布

weixin_35338624

最新推荐文章于 2024-03-10 20:16:25 发布

阅读量260

点赞数

分类专栏： pytorch学习之路

本文链接：https://blog.csdn.net/weixin_35338624/article/details/102623420

版权

该博客介绍了如何将之前在小批量数据上的操作整合起来，运用到完整的MNIST数据集上，进行深度学习模型的训练与测试。

摘要由CSDN通过智能技术生成

前面两节都是在一个batch上进行的操作，本节整合前面的操作，并在完整的minst数据集上训练并测试模型

import torch
from torch import nn
from torch import optim
import torch.nn.functional as F
from torchvision import datasets,transforms

transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize((0.5,),(0.5,))])
trainset = datasets.MNIST('MNIST_data/',download=True,train=True,transform=transform)
trainloader = torch.utils.data.DataLoader(trainset,batch_size=64,shuffle=True)

# 整个数据集上训练
class MyFC(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784,128)
        self.fc2 = nn.Linear(128,64)
        self.fc3 = nn.Linear(64,10)

    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        # log_softmax 对应 nn.NLLLoss
        x = F.log_softmax(self.fc3(x),dim=1)
        return x

model = MyFC()
cost