在训练深度学习时,写出可以呈现损失函数变化曲线图的代码
时间: 2023-12-08 14:04:00 浏览: 30
以下是一个简单的代码示例,用于训练一个神经网络并绘制损失函数变化的曲线图:
```python
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision.datasets import MNIST
from torchvision.transforms import transforms
# 定义神经网络模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(28*28, 256)
self.fc2 = nn.Linear(256, 64)
self.fc3 = nn.Linear(64, 10)
self.relu = nn.ReLU()
def forward(self, x):
x = x.view(x.size(0), -1)
x = self.relu(self.fc1(x))
x = self.relu(self.fc2(x))
x = self.fc3(x)
return x
# 定义数据集和数据加载器
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))
])
train_dataset = MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=128, shuffle=True)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters())
# 训练模型并记录损失函数的变化
net = Net()
num_epochs = 10
losses = []
for epoch in range(num_epochs):
running_loss = 0.0
for i, (inputs, labels) in enumerate(train_loader):
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 100 == 99: # 每100个batch记录一次损失函数的变化
losses.append(running_loss / 100)
running_loss = 0.0
# 绘制损失函数变化曲线图
plt.plot(losses)
plt.xlabel('Batch')
plt.ylabel('Loss')
plt.show()
```
代码解释:
1. 定义了一个简单的神经网络模型 `Net`,包括3个全连接层和ReLU激活函数。
2. 定义了MNIST数据集和数据加载器,用于训练神经网络。
3. 定义了交叉熵损失函数和Adam优化器。
4. 在每个epoch中,使用数据加载器循环训练神经网络,并记录损失函数的变化。
5. 最后,使用 matplotlib 库绘制损失函数变化曲线图。