用PyTorch实现逻辑回归对FashionMNIST数据集进行分类：GPU加速

1. 导入必要的库

首先，我们需要导入必要的库。

import torch
import torchvision
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader

#如果使用GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

2. 加载数据

接下来，我们需要加载FashionMNIST数据集。FashionMNIST是一个由70,000张28x28像素的灰度图像组成的图像分类数据集，其中包含10种不同的服饰类别。

# 下载并加载FashionMNIST数据集
train_data = torchvision.datasets.FashionMNIST(
    root="./data",
    train=True,
    download=True,
    transform=torchvision.transforms.ToTensor(),
)

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

# 将数据加载到DataLoader中
train_loader = DataLoader(train_data, batch_size=64)
test_loader = DataLoader(test_data, batch_size=64)

3. 定义模型

现在，我们需要定义我们的逻辑回归模型。逻辑回归是一种简单的线性分类器，它将输入数据映射到一个概率值，表示该数据属于某个类别的概率。

class LogisticRegression(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)

    def forward(self, x):
        out = self.linear(x)
        return out

4. 定义损失函数和优化器

接下来，我们需要定义损失函数和优化器。我们将使用交叉熵损失函数和Adam优化器。

# 定义损失函数
loss_fn = nn.CrossEntropyLoss()

# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)

5. 训练模型

现在，我们可以开始训练模型了。

# 训练模型
for epoch in range(10):
    for i, (inputs, labels) in enumerate(train_loader):
        # 将数据移动到GPU
        inputs = inputs.to(device)
        labels = labels.to(device)

        # 前向传播
        outputs = model(inputs)

        # 计算损失
        loss = loss_fn(outputs, labels)

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

        # 更新参数
        optimizer.step()

        # 打印训练信息
        if i % 100 == 0:
            print(f"Epoch [{epoch+1}/{10}], Step [{i}/{len(train_loader)}], Loss: {loss.item()}")

6. 评估模型

训练结束后，我们可以评估模型在测试集上的性能。

# 评估模型
correct = 0
total = 0
with torch.no_grad():
    for inputs, labels in test_loader:
        # 将数据移动到GPU
        inputs = inputs.to(device)
        labels = labels.to(device)

        # 前向传播
        outputs = model(inputs)

        # 计算预测值
        _, predicted = torch.max(outputs.data, 1)

        # 累加正确预测的样本数
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

# 计算准确率
accuracy = 100 * correct / total
print(f"Accuracy: {accuracy}%")

7. 保存模型参数

如果我们对模型的性能满意，我们可以保存模型参数以供以后使用。

# 保存模型参数
torch.save(model.state_dict(), "logistic_regression_model.pt")

8. 加载模型参数

如果我们想在以后使用模型，我们可以加载模型参数。

# 加载模型参数
model = LogisticRegression(input_dim, output_dim)
model.load_state_dict(torch.load("logistic_regression_model.pt"))

9. 总结

在这篇博文中，我们使用PyTorch实现了逻辑回归模型，并将其应用于FashionMNIST数据集的分类任务。我们还探讨了如何保存和加载模型参数。希望这篇博文对您有所帮助！