使用pytorch1.3 训练MNIST数据集
本次博客的要点在于,分析主要代码的功能作用,便于理解。
参考:(https://blog.csdn.net/weicao1990/article/details/98754647)
import torch
import torch.nn as nn
import torch.optim as optim
from torch.nn import functional as F
from torchvision import datasets, transforms
#设置批次,学习率,训练的次数
batch_size = 500
learning_rate = 0.01
epochs = 10
#加载MNIST训练集,测试集
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=batch_size, shuffle=True)
#测试集
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=batch_size, shuffle=True)
#设置权重参数w及偏置参数b, 并设置梯度计算
w1,b1 = torch.randn(200,784,requires_grad=True),\
torch.zeros(200,requires_grad=True)
w2,b2 = torch.randn(200,200,requires_grad=True),\
torch.zeros(200,requires_grad=True)
w3,b3 = torch.randn(10,200,requires_grad=True),\
torch.zeros(10,requires_grad=True)
#对w初始化
torch.nn.init.kaiming_normal_(w1)
torch.nn.init.kaiming_normal_(w2)
torch.nn.init.kaiming_normal_(w3)
#前向传播的架构
def forward(x):
x = x@w1.t() + b1
x = F.relu(x)
x = x@w2.t() + b2
x = F.relu(x)
x = x@w3.t() + b3
x = F.relu(x)
return x
#设置优化器及损失函数
optimizer = optim.SGD([w1,b1,w2,b2,w3,b3],lr=learning_rate)
criteon = nn.CrossEntropyLoss()
#进行训练
for epoch in range(epochs):
#batch_idx表示载入批次数据的次数,target表示data对应的目标值
for batch_idx,(data,target) in enumerate(train_loader):
data = data.view(-1,28*28)
#将数据导入到前项传播进行计算,并得到损失函数
logits = forward(data)
loss = criteon(logits,target)
#优化器梯度初始化
optimizer.zero_grad()
#对损失函数进行反向传播,计算梯度
loss.backward()
#更新梯度
optimizer.step()
#每加载一百次输出一次信息
if batch_idx % 100 == 0:
print('Train Epoch:{},{}, [{}/{} ({:.0f}%)]\tLoss:{:.6f}'\
.format(epoch,batch_idx, batch_idx*len(data),len(train_loader.dataset),\
100.*batch_idx / len(train_loader),loss.item()))
test_loss = 0
correct = 0
for data,target in test_loader:
data = data.view(-1,28*28)
logits = forward(data)
#item()表示转化为numpy的格式
test_loss += criteon(logits,target).item()
# 得到的预测值输出是一个10个分量的概率,在第2个维度上取max
# logits.data是一个shape=[batch_size,10]的Tensor
# 注意Tensor.max(dim=1)是在这个Tensor的1号维度上求最大值
# 得到一个含有两个元素的元组,这两个元素都是shape=[batch_size]的Tensor
# 第一个Tensor里面存的都是最大值的值,第二个Tensor里面存的是对应的索引
# 这里要取索引,所以取了这个tuple的第二个元素
# print(type(logits.data), logits.data.shape,type(logits.data.max(dim=1)))
# 等同于pred = logits.argmax(dim=1)
pred = logits.data.max(1)[1]
#累加与与目标值相等的个数,作为准确的数量
correct += pred.eq(target.data).sum()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss:{:.4f}, Accuracy:{}/{} ({:.0f}%)\n)'.format\
(test_loss,correct,len(test_loader.dataset),100.*\
correct / len(test_loader.dataset)))