本节内容学习帮助大家梳理神经网络训练的架构。
一般我们训练神经网络有以下步骤：
- 导入库
- 设置训练参数的初始值
- 导入数据集并制作数据集
- 定义神经网络架构
- 定义训练流程
- 训练模型
推荐文章：
python实现可视化大屏
分享4款 Python 自动数据分析神器
以下，我就将上述步骤使用代码进行注释讲解：
1 导入库
import torch
from torch import nn
from torch.nn import functional as F
from torch import optim
from torch.utils.data import DataLoader, DataLoader
import torchvision
import torchvision.transforms as transforms2 设置初始值
# 学习率
lr = 0.15
# 优化算法参数
gamma = 0.8
# 每次小批次训练个数
bs = 128
# 整体数据循环次数
epochs = 103 导入并制作数据集
本次我们使用FashionMNIST图像数据集，每个图像是一个28*28的像素数组，共有10个衣物类别，比如连衣裙、运动鞋、包等。
注：初次运行下载需要等待较长时间。
# 导入数据集
mnist = torchvision.datasets.FashionMNIST(
root = './Datastes'
, train = True
, download = True
, transform = transforms.ToTensor())
# 制作数据集
batchdata = DataLoader(mnist
, batch_size = bs
, shuffle = True
, drop_last = False)我们可以对数据进行检查：
for x, y in batchdata:
print(x.shape)
print(y.shape)
break
# torch.Size([128, 1, 28, 28])
# torch.Size([128])可以看到一个batch中有128个样本，每个样本的维度是1*28*28。
之后我们确定模型的输入维度与输出维度：
# 输入的维度
input_ = mnist.data[0].numel()
# 784
# 输出的维度
output_ = len(mnist.targets.unique())
# 104 定义神经网络架构
先使用一个128个神经元的全连接层，然后用relu激活函数，再将其结果映射到标签的维度，并使用softmax进行激活。
# 定义神经网络架构
class Model(nn.Module):
def __init__(self, in_features, out_features):
super().__init__()
self.linear1 = nn.Linear(in_features, 128, bias = True)
self.output = nn.Linear(128, out_features, bias = True)
def forward(self, x):
x = x.view(-1, 28*28)
sigma1 = torch.relu(self.linear1(x))
sigma2 = F.log_softmax(self.output(sigma1), dim = -1)
return sigma25 定义训练流程
在实际应用中，我们一般会将训练模型部分封装成一个函数，而这个函数可以继续细分为以下几步：
- 定义损失函数与优化器
- 完成向前传播
- 计算损失
- 反向传播
- 梯度更新
- 梯度清零
在此六步核心操作的基础上，我们通常还需要对模型的训练进度、损失值与准确度进行监视。
注释代码如下：
# 封装训练模型的函数
def fit(net, batchdata, lr, gamma, epochs):
# 参数：模型架构、数据、学习率、优化算法参数、遍历数据次数
# 5.1 定义损失函数
criterion = nn.NLLLoss()
# 5.1 定义优化算法
opt = optim.SGD(net.parameters(), lr = lr, momentum = gamma)
# 监视进度：循环之前，一个样本都没有看过
samples = 0
# 监视准确度：循环之前，预测正确的个数为0
corrects = 0
# 全数据训练几次
for epoch in range(epochs):
# 对每个batch进行训练
for batch_idx, (x, y) in enumerate(batchdata):
# 保险起见，将标签转为1维，与样本对齐
y = y.view(x.shape[0])
# 5.2 正向传播
sigma = net.forward(x)
# 5.3 计算损失
loss = criterion(sigma, y)
# 5.4 反向传播
loss.backward()
# 5.5 更新梯度
opt.step()
# 5.6 梯度清零
opt.zero_grad()
# 监视进度：每训练一个batch，模型见过的数据就会增加x.shape[0]
samples += x.shape[0]
# 求解准确度：全部判断正确的样本量/已经看过的总样本量
# 得到预测标签
yhat = torch.max(sigma, -1)[1]
# 将正确的加起来
corrects += torch.sum(yhat == y)
# 每200个batch和最后结束时，打印模型的进度
if (batch_idx + 1) % 200 == 0 or batch_idx == (len(batchdata) - 1):
# 监督模型进度
print("Epoch{}:[{}/{} {: .0f}%], Loss:{:.6f}, Accuracy:{:.6f}".format(
epoch + 1
, samples
, epochs*len(batchdata.dataset)
, 100*samples/(epochs*len(batchdata.dataset))
, loss.data.item()
, float(100.0*corrects/samples)))6 训练模型
# 设置随机种子
torch.manual_seed(51)
# 实例化模型
net = Model(input_, output_)
# 训练模型
fit(net, batchdata, lr, gamma, epochs)
# Epoch1:[25600/600000 4%], Loss:0.524430, Accuracy:69.570312
# Epoch1:[51200/600000 9%], Loss:0.363422, Accuracy:74.984375
# ......
# Epoch10:[600000/600000 100%], Loss:0.284664, Accuracy:85.771835现在我们已经用Pytorch训练了最基础的神经网络，并且可以查看其训练成果。大家可以将代码复制进行运行！
虽然没有用到复杂的模型，但是我们在每次建模时的基本思想都是一致的
到此这篇关于python中的Pytorch建模流程汇总的文章就介绍到这了,更多相关Pytorch建模流程内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
