请将上述代码细化,并展示每一步的具体细节
时间: 2024-02-09 20:12:14 浏览: 28
好的,我将详细介绍上述代码的每一步细节。
1. 准备数据集
```python
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.MNIST(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32,
shuffle=True, num_workers=2)
testset = torchvision.datasets.MNIST(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32,
shuffle=False, num_workers=2)
```
这里使用了 torchvision 库中的 MNIST 数据集,通过 `transforms` 对数据集进行预处理,包括将数据转换为 `torch.Tensor` 类型、进行标准化等。然后,使用 `DataLoader` 加载数据集,将数据集分成多个 batch,并对 batch 进行 shuffle,以便更好地训练模型。
2. 定义网络
```python
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 4 * 4, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(torch.relu(self.conv1(x)))
x = self.pool(torch.relu(self.conv2(x)))
x = x.view(-1, 16 * 4 * 4)
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
```
这里定义了一个简单的卷积神经网络模型,包括两个卷积层和三个全连接层。其中,卷积层使用了 5x5 的卷积核,池化层使用了 2x2 的最大池化。最后一层输出 10 个节点,对应 10 个数字类别。`forward` 方法定义了网络的前向传播过程,`view` 方法将卷积层的输出展平成一维向量,以便输入到全连接层中。
3. 定义损失函数和优化器
```python
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
```
这里使用了交叉熵损失函数,将模型输出的类别概率与真实标签的 one-hot 编码进行比较。使用了随机梯度下降(SGD)优化算法,其中 `lr` 是学习率,`momentum` 是动量因子。
4. 训练模型
```python
for epoch in range(10): # 训练 10 次
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 2000 == 1999: # 每 2000 个小批量数据打印一次损失值
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
```
这里使用了两个嵌套的循环,外层循环是训练次数,内层循环是遍历每个 batch 的数据。首先,将梯度清零,因为 PyTorch 默认会累计梯度。然后,将输入数据传入网络中得到模型的输出,计算损失函数并进行反向传播,最后使用优化器更新模型参数。在每个 epoch 结束后,打印出平均损失值。
5. 测试模型
```python
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
```
这里使用测试集对模型进行测试,与训练过程类似,但不需要进行反向传播和梯度更新操作。使用 `torch.no_grad()` 上下文管理器可以避免计算测试集的梯度,从而加快计算速度。最后,计算出模型在测试集上的准确率。