PyTorch-实现第一个神经网络

介绍

PyTorch 是 Facebook 推出的开源机器学习框架，可用于构建神经网络。本文将介绍如何使用 PyTorch 实现第一个神经网络。

环境准备

在开始之前，我们需要先安装 PyTorch。可以通过以下命令安装：

pip install torch

数据准备

本文使用的数据集是 MNIST，这是一个手写数字识别数据集。在 PyTorch 中，可以使用 torchvision 库来加载 MNIST 数据集。以下是加载数据集的代码：

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.1307,), (0.3081,))])

trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

构建神经网络

我们将使用 PyTorch 中的 nn 模块来构建神经网络。以下是构建神经网络的代码：

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

这里构建了一个卷积神经网络，包括两个卷积层和三个全连接层。我们将在训练过程中使用交叉熵损失（cross-entropy loss）作为损失函数，使用随机梯度下降（stochastic gradient descent）作为优化算法。

训练模型

我们准备好数据和模型之后，可以开始训练模型了。以下是训练模型的代码：

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(10):  # 循环 10 次
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 1000 == 999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 1000))
            running_loss = 0.0

print('Finished Training')

测试模型

训练模型后，我们需要测试模型的准确率。以下是测试模型的代码：

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

总结

本文介绍了如何使用 PyTorch 实现第一个神经网络。通过这个例子，我们了解了 PyTorch 的基础组件和训练过程，希望对初学者有所帮助。