PyTorch一小时掌握之神经网络分类篇

以下是“PyTorch一小时掌握之神经网络分类篇”的完整攻略，包括两个示例说明。

示例1：使用全连接神经网络对MNIST数据集进行分类

首先，我们需要加载MNIST数据集，并将其分为训练集和测试集。然后，我们定义一个全连接神经网络，包含两个隐藏层和一个输出层。我们使用ReLU激活函数和交叉熵损失函数，并使用随机梯度下降优化器进行训练。

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

# 加载MNIST数据集
train_dataset = datasets.MNIST(root='data/', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = datasets.MNIST(root='data/', train=False, transform=transforms.ToTensor(), download=True)

# 定义超参数
input_size = 784
hidden_size = 128
num_classes = 10
num_epochs = 10
batch_size = 100
learning_rate = 0.001

# 定义全连接神经网络
class Net(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc3 = nn.Linear(hidden_size, num_classes)

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

# 创建模型实例、损失函数和优化器
model = Net(input_size, hidden_size, num_classes)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

# 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)

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

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

# 测试模型
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(f"Accuracy: {100 * correct / total}%")

在这个示例中，我们首先加载MNIST数据集，并将其分为训练集和测试集。然后，我们定义了一个全连接神经网络，包含两个隐藏层和一个输出层。我们使用ReLU激活函数和交叉熵损失函数，并使用随机梯度下降优化器进行训练。在训练过程中，我们使用一个循环遍历训练集中的所有数据，并计算损失和梯度。最后，我们使用测试集评估模型的准确性。

示例2：使用卷积神经网络对CIFAR-10数据集进行分类

首先，我们需要加载CIFAR-10数据集，并将其分为训练集和测试集。然后，我们定义一个卷积神经网络，包含两个卷积层和两个全连接层。我们使用ReLU激活函数和交叉熵损失函数，并使用Adam优化器进行训练。

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

# 加载CIFAR-10数据集
train_dataset = datasets.CIFAR10(root='data/', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = datasets.CIFAR10(root='data/', train=False, transform=transforms.ToTensor(), download=True)

# 定义超参数
num_classes = 10
num_epochs = 10
batch_size = 100
learning_rate = 0.001

# 定义卷积神经网络
class Net(nn.Module):
    def __init__(self, num_classes):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, 3, padding=1)
        self.relu = nn.ReLU()
        self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64 * 8 * 8, 512)
        self.fc2 = nn.Linear(512, num_classes)

    def forward(self, x):
        x = self.relu(self.conv1(x))
        x = self.pool(self.relu(self.conv2(x)))
        x = x.view(-1, 64 * 8 * 8)
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 创建模型实例、损失函数和优化器
model = Net(num_classes)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 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)

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

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

# 测试模型
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(f"Accuracy: {100 * correct / total}%")

在这个示例中，我们首先加载CIFAR-10数据集，并将其分为训练集和测试集。然后，我们定义了一个卷积神经网络，包含两个卷积层和两个全连接层。我们使用ReLU激活函数和交叉熵损失函数，并使用Adam优化器进行训练。在训练过程中，我们使用一个循环遍历训练集中的所有数据，并计算损失和梯度。最后，我们使用测试集评估模型的准确性。

总之，PyTorch提供了丰富的工具和函数来实现神经网络分类。我们可以使用nn.Linear和nn.Conv2d函数来定义全连接层和卷积层，使用nn.ReLU函数来定义ReLU激活函数，使用nn.CrossEntropyLoss函数来定义交叉熵损失函数，使用optim.SGD和optim.Adam函数来定义优化器。在训练过程中，我们需要使用一个循环遍历数据集中的所有数据，并计算损失和梯度。最后，我们使用测试集评估模型的准确性。