PyTorch入门:以MNIST手写数字识别为例
引言
在人工智能和深度学习的世界里,PyTorch已经成为最受欢迎的框架之一。它不仅强大灵活,而且易于学习和使用。今天,我们将通过一个经典的机器学习问题——MNIST手写数字识别,来入门PyTorch。无论你是深度学习新手,还是希望迁移到PyTorch的开发者,这篇文章都将为你提供一个良好的起点。
PyTorch简介
PyTorch是由Facebook的AI研究团队开发的开源机器学习库。它以其动态计算图和直观的Python式语法而闻名。与其他框架相比,PyTorch的学习曲线相对平缓,这使得它成为初学者的理想选择。
MNIST数据集
MNIST是机器学习领域最著名的数据集之一。它包含70,000张28x28像素的手写数字图像,其中60,000张用于训练,10,000张用于测试。我们的目标是训练一个模型,能够准确识别这些手写数字。
开始使用PyTorch
1. 安装PyTorch
首先,我们需要安装PyTorch。可以使用pip命令进行安装:
pip install torch torchvision
2. 导入必要的库
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
3. 加载MNIST数据集
PyTorch提供了方便的工具来加载MNIST数据集:
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False)
4. 定义神经网络模型
我们将创建一个简单的全连接神经网络:
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(28 * 28, 128)
self.fc2 = nn.Linear(128, 64)
self.fc3 = nn.Linear(64, 10)
def forward(self, x):
x = x.view(-1, 28 * 28)
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
x = self.fc3(x)
return x
model = Net()
5. 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
6. 训练模型
for epoch in range(5): # 训练5个epoch
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print(f'Epoch {epoch + 1}, Loss: {running_loss / len(trainloader)}')
7. 测试模型
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f'准确率: {100 * correct / total}%')
结论
通过这个简单的MNIST手写数字识别例子,我们完成了PyTorch的基本入门。我们学习了如何加载数据、定义模型、设置损失函数和优化器、训练模型并进行测试。这只是PyTorch强大功能的冰山一角,但它为进一步探索深度学习和PyTorch奠定了基础。
随着你对PyTorch的深入学习,你会发现它在处理更复杂的任务时也同样得心应手。无论是计算机视觉、自然语言处理还是强化学习,PyTorch都能为你提供所需的工具和灵活性。
希望这篇入门指南能激发你对PyTorch和深度学习的兴趣。记住,实践是掌握这些技能的关键。继续探索,不断尝试新的项目,你会发现PyTorch的魅力所在。祝你在机器学习的旅程中取得成功!