# 导入必要的库
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 定义一个多层感知器(MLP)类,继承自 nn.Module
class MLP(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(MLP, self).__init__()
# 构建网络结构
self.layers = nn.Sequential(
nn.Linear(input_size, hidden_size),
nn.ReLU(),
nn.Linear(hidden_size, output_size)
)
def forward(self, x):
# 定义前向传播
x = x.view(x.size(0), -1) # Flatten the input tensor
out = self.layers(x)
return out
# 超参数设置
input_size = 784
hidden_size = 128
output_size = 10
learning_rate = 0.001
batch_size = 64
num_epochs = 10
# 数据预处理
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
# 加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
# 创建模型、损失函数和优化器对象
model = MLP(input_size, hidden_size, output_size)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
# 开始训练
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
# 前向传播
outputs = model(images)
# 计算损失
loss = criterion(outputs, labels)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 输出损失信息
if (i+1) % 100 == 0:
print(f"Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item():.4f}")
# 测试模型
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()
print(f"Accuracy of the model on the 10000 test images: {100 * correct / total:.2f}%")
这个示例涵盖了PyTorch中的一些基本概念,如以下所述:
- 张量:PyTorch中的基本数据结构,用于表示多维数组。在这个示例中,我们使用
torch.Tensor
对象表示输入图像、标签和模型输出。 - 神经网络模型:我们定义了一个
MLP
类,它继承自nn.Module
,用于创建多层感知器(MLP
)模型。__init__
方法定义了网络结构,forward
方法定义了前向传播过程。 - 优化器:我们使用
torch.optim
库中的优化器来更新模型参数。在这个例子中,我们使用optim.Adam
作为优化器。 - 数据加载和预处理:我们使用
torchvision
库加载MNIST数据集,并对其进行预处理。transforms.Compose
用于组合多个预处理操作。数据集被封装成DataLoader
对象,以便在训练过程中进行批处理、打乱和并行处理。 - 训练循环:我们使用两个嵌套的
for
循环来实现训练过程。外层循环遍历每个训练周期,内层循环遍历每个批次的数据。在每次迭代中,我们执行前向传播、计算损失、执行反向传播和更新模型参数。 - 损失函数:我们使用
nn.CrossEntropyLoss
损失函数来计算模型输出和实际标签之间的损失。 - 反向传播和梯度更新:我们使用
loss.backward()
计算梯度,并使用optimizer.step()
更新模型参数。在每次更新之前,我们需要使用optimizer.zero_grad()
清除梯度缓存。 - 模型评估:在训练结束后,我们将模型设置为评估模式(
model.eval()
),然后使用测试数据集评估模型性能。我们使用torch.no_grad()
上下文管理器在评估过程中禁用梯度计算,以节省内存并加速计算。