iis建立的网站打不开,比较好的开源cms系统,建造师报考条件,前端设计文章目录 前言一、导入库二、数据处理三、构建模型四、迭代训练五、模型评估总结 前言
使用Pytorch进行MNIST分类#xff0c;使用TensorDataset与DataLoader封装、加载本地数据集。 一、导入库
import numpy as np
import torch
from torch import nn, optim
from torch.uti… 文章目录 前言一、导入库二、数据处理三、构建模型四、迭代训练五、模型评估总结 前言
使用Pytorch进行MNIST分类使用TensorDataset与DataLoader封装、加载本地数据集。 一、导入库
import numpy as np
import torch
from torch import nn, optim
from torch.utils.data import TensorDataset, DataLoader # 数据集工具
from load_mnist import load_mnist # 本地数据集二、数据处理
1、导入本地数据集将标签值设置为int类型构建张量 2、使用TensorDataset与DataLoader封装训练集与测试集
# 构建数据
x_train, y_train, x_test, y_test \load_mnist(normalizeTrue, flattenFalse, one_hot_labelFalse)
# 数据处理
x_train torch.from_numpy(x_train.astype(np.float32))
y_train torch.from_numpy(y_train.astype(np.int64))
x_test torch.from_numpy(x_test.astype(np.float32))
y_test torch.from_numpy(y_test.astype(np.int64))
# 数据集封装
train_dataset TensorDataset(x_train, y_train)
test_dataset TensorDataset(x_test, y_test)
batch_size 64
train_loader DataLoader(datasettrain_dataset,batch_sizebatch_size,shuffleTrue)
test_loader DataLoader(datasettest_dataset,batch_sizebatch_size,shuffleTrue)
三、构建模型
输入到全连接层之前需要把(batch_size,28,28)展平为(batch_size,784) 交叉熵损失函数整合了Softmax在模型中可以不添加Softmax
# 继承模型
class FC(nn.Module):def __init__(self):super().__init__()self.fc1 nn.Linear(784, 10)self.softmax nn.Softmax(dim1)def forward(self, x):y self.fc1(x.view(x.shape[0],-1))y self.softmax(y)return y
# 定义模型
model FC()
loss_function nn.CrossEntropyLoss()
optimizer optim.SGD(model.parameters(), lr0.1)
四、迭代训练
从DataLoader中取出x和y进行前向和反向的计算
for epoch in range(10):print(Epoch:, epoch)for i,data in enumerate(train_loader):x, y datay_pred model.forward(x)loss loss_function(y_pred, y)optimizer.zero_grad()loss.backward()optimizer.step()
五、模型评估
在测试集中进行验证 使用.item()获得tensor的取值 correct 0for i,data in enumerate(test_loader):x, y datay_pred model.forward(x)_, y_pred torch.max(y_pred, 1)correct (y_pred y).sum().item()acc correct / len(test_dataset)print(Accuracy:{:.2%}.format(acc))总结
记录了TensorDataset与DataLoader的使用方法模型的构建与训练和上一篇Pytorch笔记之回归相似。
