| 使用PyTorch构建神经网络（详细步骤讲解+注释版） 01 | 您所在的位置：网站首页 › pytorch网课推荐 › 使用PyTorch构建神经网络（详细步骤讲解+注释版） 01 |
使用PyTorch构建神经网络（详细步骤讲解+注释版） 01
|
文章目录
1 数据准备2 数据预览3 简单神经网络创建3.1 设计网络结构3.2 损失函数相关设置3.3 向网络传递信息3.4 定义训练函数train
4 函数汇总
1 数据准备
神经网络中，一个非常经典的案例就是手写数据的识别，本文我们以手写数据识别为例进行讲解。用到的数据是MNIST数据集。MNIST数据集是一个常用的用于计算机视觉的测试数据集，包含了70,000张手写数字的图片，用于训练和测试模型识别手写数字的能力。MNIST数据集中的图片大小都是28x28像素，图片中的数字是黑白的，每张图片都有对应的标签，表示图片中的数字是什么。MNIST数据集是计算机视觉领域的“Hello World”级别的数据集，被广泛用于计算机视觉模型的训练和测试。 可以在数据集的原始来源进行下载，但因为是外网链接，我稍后也会将整理成.csv的数据放到博客的资源中，供大家使用，如果找不到也可以直接文末留言，我私信发你。 2 数据预览我的数据集格式为：每行785个数值，第一个数值为图片的标签，也就是图片写的数字，后784个数值为图片的28*28像素值。如果大家使用不同的数据格式，根据实际情况修改代码即可。 row = 你要展示的数据行数 # data就是传入的mnist数据集 data = df.iloc[row] # 如果你的label不是一行第一个，此处要修改 label = data[0] # 把数据按28行28列重新排列 img = data[1:].values.reshape(28,28) plt.title("label = " + str(label)) plt.imshow(img, interpolation='none', cmap='Blues') plt.show()这样就可以对图片进行阅览了
在定义神经网络层时，我们使用PyTorch 中的 torch.nn 包，这个包提供了很多与实现神经网络中的具体功能相关的类，还有激活函数部分的线性激活函数、非线性激活函数相关的方法。在之后的代码中，我们会逐渐认识这个包的作用。 3.1 设计网络结构 from torch import nn class Classifier(nn.Module): def __init__(self): # 这里的代码是接着上面__init__函数写的，为了页面简洁，我把前面的内容省略了 self.model = nn.Sequential( nn.Linear(784, 200), nn.Sigmoid(), nn.Linear(200, 10), nn.Sigmoid()这里nn.linear()是用来设置网络中的全连接层的。以下补充函数相关内容，如不需要可以先略过。 该函数的默认输入参数情况为： nn.Linear(in_features, # 输入的神经元个数 out_features, # 输出神经元个数 bias=True # 是否包含偏置 )而这个函数的功能其实就是对输入 X n × i X_{n×i} Xn×i执行了一个线性变换，即： Y n × o = W i × o X n × i + b o Y_{n×o}=W_{i×o}X_{n×i}+b_{o} Yn×o=Wi×oXn×i+bo 其中 Y Y Y是n组o维的数出，n是数据量，o是数据的特征数； W W W是数据权重； b b b是偏置，也就是bias=True相对应的地方。 3.2 损失函数相关设置损失函数用来告诉模型什么是好的模型，并帮助模型在优化器的帮助下不断更新网格权重，从而优化模型。此处损失函数我们使用最常见的MSE函数（Mean squared error，均方误差）；优化器使用最常见的梯度下降，学习速录设为0.01。 import torch class Classifier(nn.Module): def __init__(self): # 创建损失函数 self.loss_function = nn.MSELoss() # 创建优化器 self.optimiser = torch.optim.SGD(self.parameters(), lr=0.01) 3.3 向网络传递信息我们需要建立一个forward方法，向网络传递信息。尽管在定义类时，可以直接将相关信息传入，但是单独定义一个传入方法的函数，会使代码的逻辑性变得更强。这个函数也非常的简单。 class Classifier(nn.Module): # 创建forward函数，用于将信息传递给网络 def forward(self, inputs): return self.model(inputs) 3.4 定义训练函数train训练函数应该可以根据模型的输出与期望输出，使用优化器来不断优化模型。而模型的输出需要使用输入来生成，因此，训练函数的输入数据应该包含模型输入值inputs与预期输出值targets两部分。这里使用到了们定义过的forward、loss_function、optimiser方法。PyTorch将这一过程变得非常简单。 class Classifier(nn.Module): # 创建网格训练函数 def train(self, inputs, targets): outputs = self.forward(inputs) loss = self.loss_function(outputs,targets) self.optimiser.zero_grad() loss.backward() self.optimiser.step()在更新网络链接的权重时，这里使用了self.optimiser.zero_grad()首先将梯度全部归零，因为loss.backward计算出的权重会累积；使用loss.backward()计算网络中的梯度（在Pytorch入门篇有讲）；使用optimiser.step()来更新权重。 4 函数汇总截至目前，Classifier类的所有函数如下： import torch import torch.nn as nn class Classifier(nn.Module): # 初始化PyTorch父类 def __init__(self): super().__init__() # 定义网格结构 self.model = nn.Sequential( nn.Linear(784, 200), nn.Sigmoid(), nn.Linear(200, 10), nn.Sigmoid() ) # 创建损失函数 self.loss_function = nn.MSELoss() # 创建优化器 self.optimiser = torch.optim.SGD(self.parameters(), lr=0.01) # 创建forward函数，用于将信息传递给网络 def forward(self, inputs): return self.model(inputs) # 创建网格训练函数 def train(self, inputs, targets): outputs = self.forward(inputs) loss = self.loss_function(outputs,targets) # 权重更新 self.optimiser.zero_grad() loss.backward() self.optimiser.step()目前实现的功能为： |
这里默认大家都有神经网络的基础知识，如希望补充相关知识，非常推荐大家阅读《Deep Learning》（也叫花书）、《Python神经网络编程》与《PyTorch生成对抗网络编程》，这三本书也是博主深度学习的入门书之一 我们使用单层（指只有一个中间层）神经网络。输入输出根据数据特性确定，中间层使用本数据较为常用的200个节点，激活函数使用Sigmoid。 首先我们定义一个分类器类 首先我们做一些基础的配置。包括设置__init__和定义神经网络层。其中__init__是初始化函数，在创建对象的时，就"自动调用"。每创建一次新的对象，就会重新自动调用一次；此处如有困难，建议补充面向对象编程的相关知识。
下一篇将会讲解手写数据的处理与模型训练全过程 使用PyTorch构建神经网络（详细步骤讲解+注释版） 02-数据读取与训练【本文地址】