机器学习与深度学习5：pytorch前馈神经网络FNN实现手写数字识别
一、数据集：
使用内置MINST函数处理数据。代码会自动下载数据。代码见dataset.py
二、代码部分：
网络结构：
网络结构为三层神经网络，第一层为输入层，第二层为隐藏层，第三层为输出层，输入层大小为784，隐藏层为256，输出层大小为10。
前向传播方法：view函数将x展平为一维向量，在实际训练中，输入的x为28*28的灰度图像。通过view函数展平后，得到784个值，将此数据输入第一个线性层，输出256个值，再使用ReLu函数激活256个值再更新给x，再通过输出层输出10个值。其中最大的值的索引就为网络预测的值。
训练过程：
训练过程包括5个步骤：计算神经网络结果，计算损失，计算梯度，根据梯度更新参数，清零梯度
dataset.py
import torchvision
from torch.utils.data import DataLoader
from torchvision import transformstransform = transforms.Compose([transforms.ToTensor() # 转换为张量
])
def getDataloder():train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)print("train_dataset length: ", len(train_dataset))# 小批量的数据读入train_loader = DataLoader(train_dataset, batch_size=512, shuffle=True, num_workers=8)print("train_loader length: ", len(train_loader))return train_loader
def getTestloder():test_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)print("train_dataset length: ", len(test_dataset))# 小批量的数据读入test_loader = DataLoader(test_dataset, batch_size=1, shuffle=True)print("train_loader length: ", len(test_loader))return test_loader
if __name__ == '__main__':getDataloder()model.py
import torch
from torch import nn
#from torch import Module
# 定义神经网络Network
class Network(nn.Module):def __init__(self):super().__init__()# 线性层1，输入层和隐藏层之间的线性层self.layer1 = nn.Linear(784, 256)# 线性层2，隐藏层和输出层之间的线性层self.layer2 = nn.Linear(256, 10)# 在前向传播，forward函数中，输入为图像xdef forward(self, x):x = x.view(-1, 28 * 28) # 使用view函数，将x展平x = self.layer1(x) # 将x输入至layer1#x = torch.sigmoid(x) # 使用relu激活x = torch.relu(x)return self.layer2(x) # 输入至layer2计算结果train.py
import torch
from torch import nn
from torch import optim
from model import Network
#from dataset import getDataloder
from dataset_csdn import getDataloder
if __name__ == '__main__':# 小批量的数据读入train_loader = getDataloder()print("train_loader length: ", len(train_loader))device = torch.device("cuda" if torch.cuda.is_available() else "cpu")model = Network().to(device) # 模型本身，它就是我们设计的神经网络optimizer = optim.Adam(model.parameters()) # 优化模型中的参数#criterion = nn.BCEWithLogitsLoss()criterion = nn.CrossEntropyLoss() # 分类问题，使用交叉熵损失误差# 进入模型的迭代循环for epoch in range(10): # 外层循环，代表了整个训练数据集的遍历次数# 整个训练集要循环多少轮，是10次、20次或者100次都是可能的，# 内存循环使用train_loader，进行小批量的数据读取for batch_idx, (data, label) in enumerate(train_loader):data = data.to(device)label = label.to(device)# 内层每循环一次，就会进行一次梯度下降算法# 包括了5个步骤:output = model(data) # 1.计算神经网络的前向传播结果loss = criterion(output, label) # 2.计算output和标签label之间的损失lossloss.backward() # 3.使用backward计算梯度optimizer.step() # 4.使用optimizer.step更新参数optimizer.zero_grad() # 5.将梯度清零# 这5个步骤，是使用pytorch框架训练模型的定式，初学的时候，先记住就可以了# 每迭代100个小批量，就打印一次模型的损失，观察训练的过程if batch_idx % 100 == 0:print(f"Epoch {epoch + 1}/10 "f"| Batch {batch_idx}/{len(train_loader)} "f"| Loss: {loss.item():.4f}")torch.save(model.state_dict(), 'mnist_new.pth') # 保存模型
test.py
import torch
from dataset import getTestloder
from model import Networkif __name__ == '__main__':testDataloader = getTestloder()model = Network()model.load_state_dict(torch.load('./mnist_new.pth'))true_count = 0false_count = 0for idx,(image,label) in enumerate(testDataloader):predict = model(image).argmax(1).item()#print(predict)if predict == label:true_count += 1else:false_count += 1Accuracy = true_count/(true_count+false_count)print(Accuracy)#if(predict == label):
三、项目下载
项目下载地址： 点击下载