建设网站哪家公司比较好,电工培训机构,竞价推广外包托管,网站怎么引入微信支付本文代码完全借鉴pytorch中文手册
我们找到数据集#xff0c;对数据做预处理#xff0c;定义我们的模型#xff0c;调整超参数#xff0c;测试训练#xff0c;再通过训练结果对超参数进行调整或者对模型进行调整。
import torch
import torch.nn as nn
import torch.nn.f…本文代码完全借鉴pytorch中文手册
我们找到数据集对数据做预处理定义我们的模型调整超参数测试训练再通过训练结果对超参数进行调整或者对模型进行调整。
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim #实现各种优化算法的库
from torchvision import datasets,transformsBATCH_SIZE512 #大概需要2G的显存
EPOCHS20 #总共训练20次
DEVICEtorch.device(cuda if torch.cuda.is_available() else cpu) #让torch判断是否使用GPU#对数据进行预处理
transformstransforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,),(0.3081,))])
#准备数据集,路径是关于py文件的相对路径
trainsetdatasets.MNIST(root./MNIST_data,trainTrue,downloadFalse,transformtransforms)#加载数据集
train_loadertorch.utils.data.DataLoader(trainset,batch_sizeBATCH_SIZE,shuffleTrue)#准备测试集
testsetdatasets.MNIST(root./MNIST_data,trainTrue,downloadFalse,transformtransforms)#加载测试集
test_loadertorch.utils.data.DataLoader(testset,batch_sizeBATCH_SIZE,shuffleTrue)#定义卷积神经网络
class ConvNet(nn.Module):def __init__(self):super().__init__()#batch*1*28*28(每次会送入batch个样本,输入通道数1(黑白图像)),图像分辨率是28*28)#下面的卷积层Conv2d的第一个参数指输入通道数,第二个参数指输出通道数,第三个参数指卷积核的大小self.conv1nn.Conv2d(1,10,5)self.conv2nn.Conv2d(10,20,3)#下面的全连接层Linear的第一个参数指输入通道数,第二个参数指输出通道数self.fc1nn.Linear(20*10*10,500) #输入通道数是2000,输出通道数是500self.fc2nn.Linear(500,10) #输入通道数是500,输出通道数是10,即10分类def forward(self,x):in_sizex.size(0) #在本例中in_size512,也就是BATCH_SIZE的值。输入的x可以看成是512*1*28*28的张量outself.conv1(x) #batch*1*28*28 - batch*10*24*24(28×28的图像经过一次核为5×5的卷积,输出变为24×24)outF.relu(out) #batch*10*24*24(激活函数ReLU不改变形状)outF.max_pool2d(out,2,2)#batch*10*24*24 - batch*10*12*12(2×2的池化层会减半)outself.conv2(out) #batch*10*12*12 - batch*20*10*10(再卷积一次核的大小是3)outF.relu(out)outout.view(in_size,-1) #batch*20*10*10 - batch*2000(out的第二维是-1,说明是自动推算,本例中第二维是20*10*10)outself.fc1(out) #batch*2000 - batch*500outF.relu(out) outself.fc2(out) #batch*500 - batch*10outF.log_softmax(out,dim1) #计算log(softmax(x)),用log是为了防止数过大。return out#我们实例化一个网络,实例化后使用.to方法将网络移动到GPU
modelConvNet().to(DEVICE)#优化器我们也直接选择简单暴力的Adam
optimizeroptim.Adam(model.parameters())#定义一个训练函数
def train(model,device,train_loader,optimizer,epoch):model.train() #启用BatchNormalization和Dropout,将BatchNormalization和Dropout置为Truefor batch_idex,(data,target) in enumerate(train_loader): ##将迭代器的数据组成一个索引系列,并输出索引和值,batch_diex是序号,后者是数据data,targetdata.to(device),target.to(device) #在gpu上跑optimizer.zero_grad() #梯度清零outputmodel(data) #将数据放入模型lossF.nll_loss(output,target) #计算损失函数loss.backward() #计算梯度optimizer.step()if (batch_idex1)%30 0: #每训练30个打印一次print(Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}.format(epoch,batch_idex*len(data),len(train_loader.dataset),100. * batch_idex/len(train_loader.dataset),loss.item()))#定义一个测试函数
def test(model,device,test_loader):model.eval() #不启用BatchNormalization和Dropout,将BatchNormalization和Dropout置为Falsetest_loss0correct0with torch.no_grad():for data,target in test_loader:data,targetdata.to(device),target.to(device) #在gpu上跑outputmodel(data)test_lossF.nll_loss(output,target,reductionsum).item() #将一批的损失相加predoutput.max(1,keepdimTrue)[1] #找到概率最大的下标correctpred.eq(target.view_as(pred)).sum().item()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)))#下面开始训练,这里就体现出封装起来的好处了,只要写两行就可以了
for epoch in range(1,EPOCHS1):train(model,DEVICE,train_loader,optimizer,epoch)test(model,DEVICE,test_loader)
