多分类-mnist数据集-Pytorch实现

多分类-mnist数据集-Pytorch实现

model.parameters()

for param in model.parameters():              # model.parameters() 返回 generate 迭代器
    print(type(param), param.size())

out：

<class 'torch.nn.parameter.Parameter'> torch.Size([100, 784])
<class 'torch.nn.parameter.Parameter'> torch.Size([100])
<class 'torch.nn.parameter.Parameter'> torch.Size([10, 100])
<class 'torch.nn.parameter.Parameter'> torch.Size([10])

由 model.parameters() 的输出结果，可以看出返回的是 各个层的 权重w 和 偏置 b。

在 单个训练集循环中，模型在训练集上做出预测，并反向更新(backpropagates)预测误差来调整模型的参数。

下载数据集

training_data = datasets.MNIST(
    root='data',        # 数据下载后存储的根目录文件夹名称
    train=True,
    download=True,
    transform=ToTensor(),
)

test_data = datasets.MNIST(
    root='data',
    train=False,
    download=True,
    transform=ToTensor(),
)

加载数据集

batch_size = 60  # 初始化训练轮数
# 加载 mnist 数据集 : 返回 containing batch_size=10 features and labels respectively
train_dataloader = DataLoader(training_data, batch_size=batch_size, shuffle=True)  # 共60000条数据
test_dataloader = DataLoader(test_data, batch_size=batch_size, shuffle=True)       # 共10000条数据

测试：

for X, y in test_dataloader:
    print(f"Shape of X[N, C, H, W]: {
     X.shape}")
    print(f"Shape of y: {
     y.size()}")
    break

out：

Shape of X[N, C, H, W]: torch.Size([60, 1, 28, 28])
Shape of y: torch.Size([60])

机器是否支持GPU

# 训练集是否使用 CPU 或者 GPU device 进行训练
device = "cuda" if torch.cuda.is_available else "cpu"

定义神经网络

class NeuralNetwork(nn.Module):
    """:arg
        在Pytorch中定义神经网络，我们创建 NeuralNetwork 类 继承nn.Module。我们定义在 __init__ 函数中定义网络的层数，
        在 forword() 中明确 数据怎样通过 网络。为了加速神经网络的训练，如果GPU可用就把它放到GPU上。

        init : 初始化神经网络的曾说以及训练数据要通过的方法
    """
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 30),  # z = x·w^T + b, 参数表示：(输入层神经元个数, 输出层神经元个数)
            nn.Sigmoid(),
            nn.Linear(30, 10),
            nn.Sigmoid()
        )

    # 前向传播
    def forward(self, x):
        # print('-'*6 + 'forward' + '-'*6)
        x = self.flatten(x)                 # 把 (1, 28, 28) 转为 (1, 784)
        # print('----flatten()-----')
        # print(x.shape)
        logits = self.linear_relu_stack(x)
        return logits
    pass

使用GPU进行训练

model = NeuralNetwork().to(device)   # 使用 GPU 训练
print(model)

优化模型参数

loss_fn = nn