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
#准备数据集
batch_size=64
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307, ),(0.3081, ))
])
train_dataset=datasets.MNIST(root=r'D:\Python-Code\深度学习\data\MNIST',
train=True,
download=True,
transform=transform)
train_loader=DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset=datasets.MNIST(root=r'D:\Python-Code\深度学习\data\MNIST',
train=False,
download=True,
transform=transform)
test_loader=DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size)
#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)
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)
model=Net()
# 损失函数和优化器
criterion=torch.nn.CrossEntropyLoss()#交叉熵损失
optimizer=optim.SGD(model.parameters(),lr=0.01,momentum=0.5)
#训练
def train(epoch):
running_loss=0.0
for batch_idx,data in enumerate(train_loader,0):
inputs,target=data
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:
print('[%d,%5d] loss:%.3f' %(epoch+1,batch_idx+1,running_loss/300))
running_loss=0.0
#测试
def test():
correct=0
total=0
with torch.no_grad():`在这里插入代码片`
for data in test_loader:
images,labels=data
outputs=model(images)
_,predicted=torch.max(outputs.data,dim=1)
total+=labels.size(0)
correct+=(predicted==labels).sum().item()
print('Accuracy on test set: %d %%' %(100*correct/total))
if __name__=='__main__':
for epoch in range(10):
train(epoch)
test()
这段代码实现了一个基于PyTorch的简单多层感知机（MLP）神经网络，用于MNIST手写数字识别任务。以下是代码的详细解释：
导入库
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
● torch：PyTorch的主库。
● torchvision：提供常用的计算机视觉数据集和数据预处理方法。
● torch.nn.functional：包含激活函数等神经网络功能。
● torch.optim：提供各种优化器，例如随机梯度下降（SGD）。
准备数据集
batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
● batch_size：每个批次的样本数。
● transforms.Compose：将多个数据转换步骤组合。
● transforms.ToTensor()：将图片数据转为Tensor，并将像素值缩放到[0, 1]。
● transforms.Normalize()：归一化，使数据符合标准正态分布，均值为0.1307，标准差为0.3081，这些数值是对MNIST训练集计算得到的。
train_dataset = datasets.MNIST(root=r'D:\Python-Code\深度学习\data\MNIST', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
● datasets.MNIST：加载MNIST训练集。
○ root：数据存放路径。
○ train=True：加载训练集。
○ download=True：如果数据不存在则自动下载。
○ transform=transform：指定数据预处理方式。
● DataLoader：加载数据并生成批次，支持随机打乱。
test_dataset = datasets.MNIST(root=r'D:\Python-Code\深度学习\data\MNIST', train=False, download=True, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)
● datasets.MNIST：加载MNIST测试集。
● shuffle=False：测试集数据顺序不打乱。
#定义模型
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)
● 该模型是一个5层的多层感知机（MLP），每一层由torch.nn.Linear创建的线性层构成。
○ 784：输入层大小（28×28像素的MNIST图像展平）。
○ 512、256、128、64：每层的神经元数。
○ 10：输出层的神经元数，表示10个类别（数字0-9）。
def forward(self, x):
x = x.view(-1, 784)
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)
● x.view(-1, 784)：将输入图像展平为1维向量。
● F.relu：ReLU激活函数，用于添加非线性。
● self.l5(x)：最后一层的输出，得到10个类别的分数。
损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
● torch.nn.CrossEntropyLoss()：计算交叉熵损失，适合用于分类问题。
● optim.SGD：使用带动量的随机梯度下降（SGD）优化器。
训练过程
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
inputs, target = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idx % 300 == 299:
print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
● optimizer.zero_grad()：清空梯度缓存。
● outputs = model(inputs)：前向传播，得到预测值。
● loss.backward()：计算梯度。
● optimizer.step()：更新模型参数。
● print：每300个批次输出一次平均损失。
测试过程
def test():
correct = 0
total = 0
with torch.no_grad():
for data in test_loader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, dim=1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy on test set: %d %%' % (100 * correct / total))
● torch.no_grad()：测试时不计算梯度，减少内存占用。
● torch.max(outputs.data, dim=1)：选择输出中最大值的索引，作为预测类别。
● correct：累加预测正确的样本数。
● print：输出测试集的准确率。
主函数
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()
● 进行10轮训练，每轮训练结束后进行测试。
实验结果：
[1, 300] loss:2.239
[1, 600] loss:0.976
[1, 900] loss:0.409
Accuracy on test set: 90 %
[2, 300] loss:0.311
[2, 600] loss:0.273
[2, 900] loss:0.230
Accuracy on test set: 94 %
[3, 300] loss:0.193
[3, 600] loss:0.170
[3, 900] loss:0.151
Accuracy on test set: 95 %
[4, 300] loss:0.132
[4, 600] loss:0.115
[4, 900] loss:0.117
Accuracy on test set: 96 %
[5, 300] loss:0.089
[5, 600] loss:0.098
[5, 900] loss:0.091
Accuracy on test set: 97 %
[6, 300] loss:0.073
[6, 600] loss:0.075
[6, 900] loss:0.073
Accuracy on test set: 97 %
[7, 300] loss:0.056
[7, 600] loss:0.064
[7, 900] loss:0.057
Accuracy on test set: 97 %
[8, 300] loss:0.045
[8, 600] loss:0.048
[8, 900] loss:0.050
Accuracy on test set: 97 %
[9, 300] loss:0.038
[9, 600] loss:0.040
[9, 900] loss:0.040
Accuracy on test set: 97 %
[10, 300] loss:0.031
[10, 600] loss:0.030
[10, 900] loss:0.033
Accuracy on test set: 97 %