目录
9.多分类问题
这里应该是 H W C ----> C H W
#! /usr/bin/env python
# -*- coding: utf-8 -*-
"""
============================================
时间:2021.8.17
作者:手可摘星辰不去高声语
文件名:09-Softmax.py
功能:手写数字识别
说明:Pytorch 0.4.0 torchvision 0.2.2
报错:module 'torch.nn' has no attribute 'ModuleDict' 需要0.2.2版本的torchvision
如果下载报错,可能是因为网络不太好,重新尝试运行即可
1、Ctrl + Enter 在下方新建行但不移动光标;
2、Shift + Enter 在下方新建行并移到新行行首;
3、Shift + Enter 任意位置换行
4、Ctrl + D 向下复制当前行
5、Ctrl + Y 删除当前行
6、Ctrl + Shift + V 打开剪切板
7、Ctrl + / 注释(取消注释)选择的行;
8、Ctrl + E 可打开最近访问过的文件
9、Double Shift + / 万能搜索
============================================
"""
import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim
# 1.准备数据集
batch_size = 64
# batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(), # 将输入的图片转化成张量
transforms.Normalize((0.1307,), (0.3081,)) # 对输入的图片进行归一化
])
train_dataset = datasets.MNIST(root='../dataset/mnist/',
train=True, # 作为训练集
download=True, # 如果没有下载就自动下载
transform=transform)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/',
train=False,
download=True,
transform=transform)
test_loader = DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size)
# 2.设计模型
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256, 128)
self.l4 = torch.nn.Linear(128, 64)
self.l5 = torch.nn.Linear(64, 10)
def forward(self, x):
x = x.view(-1, 784) # 将输入的张量转化为1列784行
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x))
return self.l5(x) # 直接输出第五层的数据,后面直接进入CrossEntropyLoss()
model = Net()
# 3.损失和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5) # 学习率0.01,冲量0.5
# 4.训练和测试
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
inputs, target = data # inputs是输入x,target是真实值y
optimizer.zero_grad()
# forward + backward + update
outputs = model(inputs)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idx % 300 == 299: # 将每次训练后得到一个loss,300个loss取平均值使曲线平滑
print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
def test():
correct = 0
total = 0
with torch.no_grad(): # 无需计算梯度
for data in test_loader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, dim=1) # 输出的数据是一个N×10的矩阵,N表示图片数量为N,10行代表10各分类的概率,取出概率最大值(dim=1)
total += labels.size(0) # 计算第一列的数量(测试集样本总数)
correct += (predicted == labels).sum().item() # 如果预测的结果等于真实值标签,那么就把这个数记录到correct里面
print('Accuracy on test set: %d %%' % (100 * correct / total))
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()