pytorch基本操作：使用神经网络进行分类任务

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 torch

x_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())

 

2.torch.nn.functional 

        torch.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

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 nn

class 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：

 

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

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

 

 5.训练模块

梯度下降方法和损失函数 

 

torch默认会叠加梯度，所以结束后需要将梯度置零

  

• 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 np

def 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))