文章目錄

• 0 前言
• 1 數據讀入
• 2 模型搭建
• 3 模型訓練
• 4 模型測試
• 5 模型保存
• 6 參考博客

---

0 前言

代碼參考了知乎上“10分鐘快速入門PyTorch”系列，并且附上了詳細的注釋和函數講解。從今天這篇博文開始，我將和大家一起踏上Pytorch的學習道路，希望有問題可以指出！代碼可以直接復制粘貼后運行。

1 數據讀入

torchvision.datasets里面有很多數據類型，里面有官網處理好的數據，比如我們要使用的MNIST數據集（手寫數字數據集），可以通過torchvision.datasets.MNIST()來得到：

import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets, transforms # 定義超參數 batch_size = 64 learning_rate = 1e-2 num_epochs = 5 # 訓練次數 # 判斷GPU是否可用 use_gpu = torch.cuda.is_available()# 下載訓練集 MNIST 手寫數字訓練集 # 數據是datasets類型的 train_dataset = datasets.FashionMNIST(root='../datasets', train=True, transform=transforms.ToTensor(), download=True)test_dataset = datasets.FashionMNIST(root='../datasets', train=False, transform=transforms.ToTensor()) #　將數據處理成 DataLoader train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) # 選擇打亂數據 test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) # 選擇不打亂數據

Pytorch的數據讀取主要包括3個類：（1）Dataset （2）DataLoader （3）DataLoaderIter，這三者的大致是依次封裝的關系，1被裝進2，2被裝進3。

Dataset是一個包裝類，負責表示數據集，它可以每次使用__getitem__返回一個樣本。我們再使用DataLoader這個類來更加快捷的對數據進行操作。Dataset被封裝在了Dataloader中。

def __getitem__(self,index):img_path,label=self.data[index].img_path,self.data[index].labelimg=Image.open(img_path)return img,label

可見每次會返回：數據+標簽

DataLoader是一個比較重要的類，它為我們提供的常用操作有：batch_size(每個batch的大小), shuffle(是否進行shuffle操作), num_workers(加載數據的時候使用幾個子進程)。

Dataset、Dataloader和DataLoaderIter是層層封裝的關系，最終在內部使用DataLoaderIter進行迭代。

2 模型搭建

這里給出一個通用的模型框架：

# 基本的網絡構建類模板 class net_name(nn.Module):def __init__(self):super(net_name, self).__init__()# 可以添加各種網絡層self.conv1 = nn.Conv2d(3, 10, 3)# 具體每種層的參數可以去查看文檔def forward(self, x):# 定義向前傳播out = self.conv1(x)return out

由上述框架搭建我們的神經網絡：

# 定義簡單的前饋神經網絡 class neuralNetwork(nn.Module):def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):super(neuralNetwork, self).__init__() # super() 函數是用于調用父類(超類)的一個方法 # Sequential()表示將一個有序的模塊寫在一起，也就相當于將神經網絡的層按順序放在一起，這樣可以方便結構顯示self.layer1 = nn.Sequential(nn.Linear(in_dim, n_hidden_1),nn.ReLU(True)) # 表示使用ReLU激活函數self.layer2 = nn.Sequential(nn.Linear(n_hidden_1, n_hidden_2),nn.ReLU(True))self.layer3 = nn.Sequential(nn.Linear(n_hidden_2, out_dim),nn.ReLU(True))# 定義向前傳播def forward(self, x):x = self.layer1(x)x = self.layer2(x)x = self.layer3(x)return x # 圖片大小是28*28，中間定義了兩個隱藏層大小分別為300和100，最后輸出層為10，10分類問題 model = neuralNetwork(28 * 28, 300, 100, 10) if use_gpu:model = model.cuda() # 現在可以在GPU上跑代碼了criterion = nn.CrossEntropyLoss() # 定義損失函數類型，使用交叉熵 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) # 定義優化器，使用隨機梯度下降

nn.Module 是所有神經網絡單元（neural network modules）的基類。pytorch在nn.Module中，實現了__call__方法，而在__call__方法中調用了forward函數。 所以forward函數中依次調用添加到self._module中的子模塊，最后輸出經過所有神經網絡層的結果。

最后的forward函數中的x只是重復使用了，是由上往下層層傳遞的。

3 模型訓練

第一個循環表示每個epoch，接著開始前向傳播，然后計算loss，然后反向傳播，接著優化參數，特別注意的是在每次反向傳播的時候需要將參數的梯度歸零：

# 開始模型訓練 for epoch in range(num_epochs):print('*' * 10)print(f'epoch {epoch+1}')running_loss = 0.0 # 初始值running_acc = 0.0for i, data in enumerate(train_loader, 1): # 枚舉函數enumerate返回下標和值img, label = dataimg = img.view(img.size(0), -1) # 將圖片展開為28*28# 使用GPU？if use_gpu:img = img.cuda()label = label.cuda()# 向前傳播out = model(img) # 前向傳播loss = criterion(out, label) # 計算lossrunning_loss += loss.item() # loss求和_, pred = torch.max(out, 1)running_acc += (pred == label).float().mean()# 向后傳播optimizer.zero_grad() # 梯度歸零loss.backward() # 后向傳播optimizer.step() # 更新參數if i % 300 == 0:print(f'[{epoch+1}/{num_epochs}] Loss: {running_loss/i:.6f}, Acc: {running_acc/i:.6f}')print(f'Finish {epoch+1} epoch, Loss: {running_loss/i:.6f}, Acc: {running_acc/i:.6f}')

4 模型測試

特別注意的是需要用 model.eval()，讓model變成測試模式，這主要是對dropout和batch:

## 模型測試model.eval() # 讓模型變成測試模式eval_loss = 0.eval_acc = 0.for data in test_loader:img, label = dataimg = img.view(img.size(0), -1)if use_gpu:img = img.cuda()label = label.cuda()with torch.no_grad():out = model(img)loss = criterion(out, label)eval_loss += loss.item()_, pred = torch.max(out, 1)eval_acc += (pred == label).float().mean()print(f'Test Loss: {eval_loss/len(test_loader):.6f}, Acc: {eval_acc/len(test_loader):.6f}\n')

1.在pytorch中的view()函數就是用來改變tensor的形狀的，例如將2行3列的tensor變為1行6列， view( )相當于numpy中resize（）的功能，但是用法可能不太一樣。
2. 參數中的-1就代表這個位置由其他位置的數字來推斷，比如a tensor的數據個數是6個，如果view（1，-1），我們就可以根據tensor的元素個數推斷出-1代表6。

5 模型保存

# 保存模型 torch.save(model.state_dict(), './neural_network.pth')

部分運行結果：

6 參考博客

https://www.zhihu.com/column/c_94953554
https://blog.csdn.net/gdymind/article/details/82226509
https://blog.csdn.net/jzwong/article/details/113308158
https://blog.csdn.net/qq_38929105/article/details/106438045
https://blog.csdn.net/york1996/article/details/81949843
https://blog.csdn.net/york1996/article/details/81949843

總結

以上是生活随笔為你收集整理的使用Pytorch快速搭建神经网络模型（附详细注释和讲解）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。