代码分段详解

好的，下面对代码进行分段详解。

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

这一段代码导入了PyTorch所需的模块，包括torch、torch.nn、torch.optim和torchvision.datasets等。

# 定义超参数
batch_size = 64
learning_rate = 0.01
num_epochs = 10

这里定义了模型训练所需的超参数，包括batch_size、learning_rate和num_epochs。

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

这里使用transforms模块对数据进行预处理，包括将图片转换为张量，以及对张量进行归一化操作。

# 加载数据集
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

这里使用datasets模块加载MNIST数据集，并使用DataLoader对数据进行批处理和打乱操作。

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 256)
        self.fc2 = nn.Linear(256, 128)
        self.fc3 = nn.Linear(128, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Net()

这里定义了一个三层全连接神经网络模型，包括输入层、隐藏层和输出层。输入层有784个神经元，隐藏层有256和128个神经元，输出层有10个神经元，对应着10个数字类别。在forward函数中，进行了前向传播操作。

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

这里定义了损失函数和优化器，使用交叉熵损失函数和随机梯度下降优化器。

# 训练模型
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                  .format(epoch+1, num_epochs, i+1, len(train_loader), loss.item()))

这里进行了模型训练，使用enumerate函数遍历DataLoader中的每个batch。对于每个batch，进行了前向传播、计算损失、反向传播和优化器更新参数的操作。在训练过程中，每100个batch输出一次损失。

# 测试模型
model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        outputs = model(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: {} %'.format(100 * correct / total))

这里对模型进行测试，首先使用model.eval()将模型设为评估模式，然后使用torch.no_grad()禁用梯度计算。对于测试集中的每个batch，进行了前向传播、计算预测值和计算准确率的操作。最后输出模型在测试集上的准确率。