深度学习pytorch小实验

让我们开始进行一个简单的深度学习实验吧！我们将使用PyTorch来实现。在这个实验中，我们将训练一个基本的人工神经网络（Artificial Neural Network，ANN）来进行手写数字的识别。首先，我们需要导入相关的库和模块。请确保你已经安装了PyTorch和torchvision。

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

接下来，我们需要加载手写数字的数据集。PyTorch提供了许多常见的数据集，我们将使用MNIST数据集。MNIST数据集是一个包含有手写数字图像的数据集，它包含了60000个训练样本和10000个测试样本。我们可以使用torchvision中的datasets和DataLoader来加载这些数据。

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=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

然后，我们定义一个简单的神经网络模型。在这个实验中，我们将使用一个简单的两层全连接神经网络。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

然后，我们实例化这个神经网络模型，并定义一个损失函数和一个优化器。

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

接下来，我们要进行训练。我们将进行多个epoch的训练，并在每个epoch之后测试模型的性能。

for epoch in range(2):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

在每个epoch之后，我们使用测试集来评估模型的性能。

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

这是一个简单的深度学习实验，我们使用PyTorch实现了一个用于手写数字识别的神经网络模型，并在MNIST数据集上进行了训练和测试。你可以尝试不同的网络结构、超参数和优化算法来改进模型的性能。祝你好运！