您的位置:

解析PyTorch Mnist

一、什么是PyTorch Mnist

The MNIST数据集是深度学习中最常见的基准测试数据之一。它由手写数字构成,为黑白28x28像素图像。Pytorch Mnist 是一个开源的深度学习库,可以用于MNIST手写数字数据集的分类。Pytorch Mnist以标准pytorch方式定义神经网络并训练模型。

二、PyTorch Mnist的使用

使用Pytorch Mnist非常方便。数据集可以从Pytorch预定义的数据集中读取。这样就可以不用从头开始预处理数据。然后就可以定义模型并进行训练。

import torch
import torch.nn.functional as F
from torch import nn, optim
from torchvision import datasets, transforms

#预定义数据集
transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize((0.5,), (0.5,)),
                              ])
trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

#定义模型
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden = nn.Linear(784, 256)
        self.output = nn.Linear(256, 10)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = F.softmax(self.output(x), dim=1)
        return x

model = Net()

#训练模型
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.003)

for ep in range(5):
    running_loss = 0
    for images, labels in trainloader:
        images = images.view(images.shape[0], -1)
        optimizer.zero_grad()
        output = model(images)
        loss = criterion(output, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
    else:
        print(f"Training loss: {running_loss/len(trainloader)}")

三、PyTorch Mnist的结果

这段代码将在MNIST数据集上训练一个模型。我们可以看到,训练损失将在每个epoch中输出。在代码中使用CrossEntropyLoss作为损失函数,学习率为0.003。在5个epochs之后,我们得到了一个非常简单的模型,其表现完美地分类MNIST数据集。