pytorch|pytorch基本操作（使用神经网络进行分类任务）神经网络|分类|pytorch

1.读取Mnist数据首先，读取Mnist数据，在深度学习框架中，数据的基本结构是tensor，据需转换成tensor才能参与后续建模训练，可用map函数将数据转换为tensor格式

import torchx_train, y_train, x_valid, y_valid = map( torch.tensor, (x_train, y_train, x_valid, y_valid) ) n, c = x_train.shape x_train, x_train.shape, y_train.min(), y_train.max() print(x_train, y_train) print(x_train.shape) print(y_train.min(), y_train.max())

文章图片

2.torch.nn.functionaltorch.nn.functional中有很多功能，比如，常见的激活函数、损失函数，一般情况下，如果模型有可学习的参数，最好用nn.Module，其他情况nn.functional相对更简单一些

文章图片

3.创建一个model

必须继承nn.Module且在其构造函数中需调用nn.Module的构造函数
无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播
Module中的可学习参数可以通过named_parameters()或者parameters()返回迭代器

from torch import nnclass Mnist_NN(nn.Module): def __init__(self): super().__init__() self.hidden1 = nn.Linear(784, 128) self.hidden2 = nn.Linear(128, 256) self.out= nn.Linear(256, 10)def forward(self, x): x = F.relu(self.hidden1(x)) x = F.relu(self.hidden2(x)) x = self.out(x) return x

打印出来：

文章图片

通过named_parameters()或者parameters()返回迭代器

文章图片

4.使用TensorDataset和DataLoader加载数据TensorDataset:将训练数据的特征和标签组合
DataLoader:随机读取小批量

文章图片

5.训练模块梯度下降方法和损失函数

文章图片

torch默认会叠加梯度，所以结束后需要将梯度置零

文章图片

一般在训练模型时加上model.train()，这样会正常使用Batch Normalization和 Dropout
测试的时候一般选择model.eval()，这样就不会使用Batch Normalization和 Dropout

import numpy as npdef fit(steps, model, loss_func, opt, train_dl, valid_dl): for step in range(steps): model.train() for xb, yb in train_dl: loss_batch(model, loss_func, xb, yb, opt)model.eval() with torch.no_grad(): # 验证时不进行梯度下降 losses, nums = zip( *[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl] ) val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums) # 平均损失 print('当前step:'+str(step), '验证集损失：'+str(val_loss))