导入一些相应的模块
# -*- coding: utf-8 -*- """ Created on Fri Jul 27 17:47:03 2018 @author: dj """ import numpy as np import torch from torchvision.datasets import mnist # 导入 pytorch 内置的 mnist 数据 from torch import nn#从torch模块中导出nn模块 from torch.autograd import Variable#导出Variable对数据进行处理
def data_tf(x): x = np.array(x, dtype='float32') / 255 x = (x - 0.5) / 0.5 # 标准化， x = x.reshape((-1,)) # 拉平 x = torch.from_numpy(x) return x准备数据制作训练集，测试集
train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新载入数据集即数据集路径，申明定义的数据变换，即对数据的处理导入，download=True时没找到数据集将会对其进行下载 test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)#制作测试集 a, a_label = train_set[0]#读取测试集中第一个数据 print(a.shape)#数据的大小 print(a_label)#数据的标签使用 pytorch 自带的 DataLoader 定义一个数据迭代器
from torch.utils.data import DataLoader#导入DataLoader，在torch中需要dataloader进行迭代 train_data = DataLoader(train_set, batch_size=64, shuffle=True)#训练集，，shuffle为True时打乱数据，让数据更有选择随机性 test_data = DataLoader(test_set, batch_size=128, shuffle=False)#对测试集进行迭代器编号一个迭代器中的内容
a, a_label = next(iter(train_data))#一个迭代器中的内容 print(a.shape)# 打印出一个批次的数据大小 print(a_label.shape)使用 Sequential 定义 4 层神经网络，也就是简单的bp
net = nn.Sequential( nn.Linear(784, 400), nn.ReLU(), nn.Linear(400, 200), nn.ReLU(), nn.Linear(200, 100), nn.ReLU(), nn.Linear(100, 10) ) #net # 定义 loss 函数 criterion = nn.CrossEntropyLoss()#交叉熵损失函数 optimizer = torch.optim.SGD(net.parameters(), 1e-1) # 使用随机梯度下降优化器，学习率 0.1开始训练
#定义一些空列表来添加训练得到的一些值 losses = [] acces = [] eval_losses = [] eval_acces = [] for e in range(20): train_loss = 0 train_acc = 0 net.train()#网络开始训练 for im, label in train_data: im = Variable(im)#首先将数据打包成Variable label = Variable(label)#得到标签 # 前向传播 out = net(im) loss = criterion(out, label) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 记录误差 train_loss += loss.item() # 计算分类的准确率 _, pred = out.max(1)#挑选出输出时值最大的位置 num_correct = (pred == label).sum().item()#记录正确的个数 acc = num_correct / im.shape[0]#计算精确率 train_acc += acc losses.append(train_loss / len(train_data)) acces.append(train_acc / len(train_data))在测试集上检验效果
eval_loss = 0 eval_acc = 0 net.eval() # 将模型改为预测模式 for im, label in test_data: im = Variable(im) label = Variable(label) out = net(im) loss = criterion(out, label) # 记录误差 eval_loss += loss.item() # 记录准确率 _, pred = out.max(1) num_correct = (pred == label).sum().item() acc = num_correct / im.shape[0] eval_acc += acc eval_losses.append(eval_loss / len(test_data)) eval_acces.append(eval_acc / len(test_data)) print('epoch: {}, Train Loss: {:.6f}, Train Acc: {:.6f}, Eval Loss: {:.6f}, Eval Acc: {:.6f}' .format(e, train_loss / len(train_data), train_acc / len(train_data), eval_loss / len(test_data), eval_acc / len(test_data)))对训练的数据进行绘图
import matplotlib.pyplot as plt plt.title('train loss') plt.plot(np.arange(len(losses)), losses) plt.plot(np.arange(len(acces)), acces) plt.title('train acc') plt.plot(np.arange(len(eval_losses)), eval_losses) plt.title('test loss') plt.plot(np.arange(len(eval_acces)), eval_acces) plt.title('test acc')一个简单的神经网络的训练结果
