PyTorch实战三：使用DNN实现逻辑回归对FashionMNIST进行分类

PyTorch实战三：使用GPU构建DNN进行FashionMNIST分类

引言

深度神经网络（DNN）在图像分类等计算机视觉任务中发挥着至关重要的作用。在本教程中，我们将深入了解如何使用PyTorch构建DNN，并在FashionMNIST数据集上应用它。值得注意的是，我们将利用GPU的并行处理能力来加速训练过程。

DNN架构

我们的DNN将是一个三层神经网络，包括：

• 输入层：接收784个输入值（FashionMNIST图像大小为28x28）
• 隐藏层：包含512个神经元，使用ReLU激活函数
• 输出层：包含10个神经元（对应于FashionMNIST中的10个类别）

数据集准备

FashionMNIST是一个包含7万张手写服饰图片的数据集。我们使用TorchVision库加载和预处理数据集：

import torch
from torchvision import datasets, transforms

train_data = datasets.FashionMNIST(
    root="./data", 
    train=True,
    download=True,
    transform=transforms.ToTensor()
)

test_data = datasets.FashionMNIST(
    root="./data", 
    train=False,
    download=True,
    transform=transforms.ToTensor()
)

模型构建

使用PyTorch构建DNN：

import torch.nn as nn

class DNN(nn.Module):
    def __init__(self):
        super(DNN, self).__init__()
        self.fc1 = nn.Linear(784, 512)
        self.fc2 = nn.Linear(512, 10)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

GPU加速

为了利用GPU的并行计算能力，我们将模型移动到GPU：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = DNN().to(device)

训练过程

我们使用交叉熵损失和Adam优化器来训练模型：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(10):
    # 训练
    model.train()
    for images, labels in train_loader:
        images, labels = images.to(device), labels.to(device)
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    # 评估
    model.eval()
    with torch.no_grad():
        correct = 0
        total = 0
        for images, labels in test_loader:
            images, labels = images.to(device), labels.to(device)
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    print(f"Epoch {epoch + 1}: Accuracy: {100 * correct / total:.2f}%")

模型保存和加载

训练完成后，我们可以保存模型参数以便以后使用：

torch.save(model.state_dict(), "dnn_model.pt")

要加载保存的模型：

model = DNN()
model.load_state_dict(torch.load("dnn_model.pt"))

结论

我们已经成功构建了一个DNN并使用GPU加速将其训练在FashionMNIST数据集上。本教程展示了PyTorch如何使构建和训练深度学习模型变得轻而易举。凭借其强大的生态系统和GPU支持，PyTorch已成为构建高性能计算机视觉应用程序的首选工具。