python中的Pytorch建模流程是什么

小编给大家分享一下python中的PyTorch建模流程是什么，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

一般我们训练神经网络有以下步骤：

• 导入库

• 设置训练参数的初始值

• 导入数据集并制作数据集

• 定义神经网络架构

• 定义训练流程

• 训练模型

以下，我就将上述步骤使用代码进行注释讲解：

1 导入库

import torchfrom torch import nnfrom torch.nn import functional as Ffrom torch import optimfrom torch.utils.data import DataLoader, DataLoaderimport torchvisionimport torchvision.transfORMs as transforms

2 设置初始值

# 学习率lr = 0.15# 优化算法参数gamma = 0.8# 每次小批次训练个数bs = 128# 整体数据循环次数epochs = 10

3 导入并制作数据集

本次我们使用FashionMNIST图像数据集，每个图像是一个28*28的像素数组，共有10个衣物类别，比如连衣裙、运动鞋、包等。

注：初次运行下载需要等待较长时间。

# 导入数据集mnist = torchvision.datasets.FashionMNIST(    root = './Datastes'    , train = True    , download = True    , transform = transforms.ToTensor())    # 制作数据集batchdata = DataLoader(mnist                       , batch_size = bs                       , shuffle = True                       , drop_last = False)

我们可以对数据进行检查：

for x, y in batchdata:    print(x.shape)    print(y.shape)    break# torch.Size([128, 1, 28, 28])# torch.Size([128])

可以看到一个batch中有128个样本，每个样本的维度是1*28*28。

之后我们确定模型的输入维度与输出维度：

# 输入的维度input_ = mnist.data[0].numel()# 784# 输出的维度output_ = len(mnist.targets.unique())# 10

4 定义神经网络架构

先使用一个128个神经元的全连接层，然后用relu激活函数，再将其结果映射到标签的维度，并使用softmax进行激活。

# 定义神经网络架构class Model(nn.Module):    def __init__(self, in_features, out_features):        super().__init__()        self.linear1 = nn.Linear(in_features, 128, bias = True)        self.output = nn.Linear(128, out_features, bias = True)        def forward(self, x):        x = x.view(-1, 28*28)        sigma1 = torch.relu(self.linear1(x))        sigma2 = F.log_softmax(self.output(sigma1), dim = -1)        return sigma2

5 定义训练流程

在实际应用中，我们一般会将训练模型部分封装成一个函数，而这个函数可以继续细分为以下几步：

• 定义损失函数与优化器

• 完成向前传播

• 计算损失

• 反向传播

• 梯度更新

• 梯度清零

在此六步核心操作的基础上，我们通常还需要对模型的训练进度、损失值与准确度进行监视。

注释代码如下：

# 封装训练模型的函数def fit(net, batchdata, lr, gamma, epochs):# 参数：模型架构、数据、学习率、优化算法参数、遍历数据次数    # 5.1 定义损失函数    criterion = nn.NLLLoss()    # 5.1 定义优化算法    opt = optim.SGD(net.parameters(), lr = lr, momentum = gamma)        # 监视进度：循环之前，一个样本都没有看过    samples = 0    # 监视准确度：循环之前，预测正确的个数为0    corrects = 0        # 全数据训练几次    for epoch in range(epochs):        # 对每个batch进行训练        for batch_idx, (x, y) in enumerate(batchdata):            # 保险起见，将标签转为1维，与样本对齐            y = y.view(x.shape[0])                        # 5.2 正向传播            sigma = net.forward(x)            # 5.3 计算损失            loss = criterion(sigma, y)            # 5.4 反向传播            loss.backward()            # 5.5 更新梯度            opt.step()            # 5.6 梯度清零            opt.zero_grad()                        # 监视进度：每训练一个batch，模型见过的数据就会增加x.shape[0]            samples += x.shape[0]                        # 求解准确度：全部判断正确的样本量/已经看过的总样本量            # 得到预测标签            yhat = torch.max(sigma, -1)[1]            # 将正确的加起来            corrects += torch.sum(yhat == y)                        # 每200个batch和最后结束时，打印模型的进度            if (batch_idx + 1) % 200 == 0 or batch_idx == (len(batchdata) - 1):                # 监督模型进度                print("Epoch{}:[{}/{} {: .0f}%], Loss:{:.6f}, Accuracy:{:.6f}".format(                    epoch + 1                    , samples                    , epochs*len(batchdata.dataset)                    , 100*samples/(epochs*len(batchdata.dataset))                    , loss.data.item()                    , float(100.0*corrects/samples)))

6 训练模型

# 设置随机种子torch.manual_seed(51)# 实例化模型net = Model(input_, output_)# 训练模型fit(net, batchdata, lr, gamma, epochs)# Epoch2:[25600/600000  4%], Loss:0.524430, Accuracy:69.570312# Epoch2:[51200/600000  9%], Loss:0.363422, Accuracy:74.984375# ......# Epoch20:[600000/600000  100%], Loss:0.284664, Accuracy:85.771835

现在我们已经用Pytorch训练了最基础的神经网络，并且可以查看其训练成果。大家可以将代码复制进行运行！

虽然没有用到复杂的模型，但是我们在每次建模时的基本思想都是一致的

以上是“Python中的Pytorch建模流程是什么”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网Python频道！