使用PyTorch：学习编程就像打游戏一样

人工智能

2023-10-26 18:44:07

有时，学习可能很困难，就像打一场艰难的比赛一样。但如果我们能找到一种方法将学习变成一场游戏，那么我们就会更愿意花时间学习，也更有可能取得成功。

PyTorch是一个强大的深度学习框架，可以轻松构建和训练神经网络。在本文中，我们将向您展示如何使用PyTorch构建一个简单的神经网络，并对其进行训练。我们将从头开始，所以即使您是深度学习的新手，您也可以轻松跟上。

PyTorch基础

在开始构建神经网络之前，我们需要先了解一下PyTorch的基础知识。

张量：张量是PyTorch中的基本数据结构。张量类似于NumPy中的数组，但它们具有更多的功能。张量可以是1D、2D或更高维的。
神经网络 ：神经网络是一种受人类大脑启发的机器学习模型。神经网络可以学习从数据中提取特征，并将其用于预测或分类。
优化器 ：优化器是一种算法，用于更新神经网络中的权重和偏差。优化器的目标是找到一组权重和偏差，使得神经网络在训练集上的性能最好。
损失函数 ：损失函数衡量神经网络的预测与真实值之间的差异。优化器的目标是找到一组权重和偏差，使得损失函数的值最小。

构建一个简单的神经网络

现在我们已经了解了PyTorch的基础知识，我们可以开始构建一个简单的神经网络了。我们将构建一个神经网络来对MNIST数据集中的手写数字进行分类。

MNIST数据集包含70,000张手写数字图像，其中60,000张用于训练，10,000张用于测试。每张图像都是28x28像素的灰度图像。

加载和预处理数据

首先，我们需要加载MNIST数据集并对其进行预处理。我们可以使用以下代码来加载MNIST数据集：

import torchvision
from torchvision import transforms

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

# 将数据转换为张量
train_data = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)
test_data = torch.utils.data.DataLoader(test_data, batch_size=64, shuffle=True)

构建神经网络

现在我们已经加载并预处理了数据，我们可以开始构建神经网络了。我们将构建一个简单的神经网络，由两个全连接层组成。

import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)

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

# 实例化神经网络
net = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.001)

训练神经网络

现在我们已经构建了神经网络，我们可以开始训练它了。我们将使用Adam优化器和交叉熵损失函数来训练神经网络。

# 训练神经网络
for epoch in range(10):
    for batch_idx, (data, target) in enumerate(train_data):
        # 前向传播
        output = net(data)

        # 计算损失
        loss = criterion(output, target)

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

        # 更新权重
        optimizer.step()

    # 测试神经网络
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for batch_idx, (data, target) in enumerate(test_data):
            # 前向传播
            output = net(data)

            # 计算损失
            test_loss += criterion(output, target).item()

            # 计算准确率
            _, predicted = torch.max(output, 1)
            correct += (predicted == target).sum().item()

    test_loss /= len(test_data)
    accuracy = 100. * correct / len(test_data.dataset)

    print(f'Epoch: {epoch}, Test Loss: {test_loss:.4f}, Accuracy: {accuracy:.2f}%')