目录
一、导入包
二、数据预处理
三、定义神经网络
四、训练模型和测试模型
五、程序入口
一、导入包
import torch
import torch.nn as nn
import torch.optim as optim # 导入优化器
from torchvision import datasets, transforms # 导入数据集和数据预处理库
from torch.utils.data import DataLoader # 数据加载库二、数据预处理
def data_loader():
'''数据的预处理'''
# 定义数据预处理
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5), (0.5))
])
# 加载FashionMNIST数据集
train_dataset = datasets.FashionMNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.FashionMNIST(root='.data', train=False, download=True, transform=transform)
# 数据集加载器
train_loader = DataLoader( train_dataset,batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset,batch_size=64, shuffle=False)
return train_loader, test_loader 这是一个常用于机器学习和深度学习研究中的数据集，包含了10类不同时尚商品的图像，每类有6000张训练图像和1000张测试图像。使用了PyTorch框架中的torchvision库来下载和加载Fashion-MNIST数据集。代码中定义了一个transform，它会将图像转换为张量，并对其进行归一化处理。然后，分别创建训练集和测试集的数据加载器train_loader和test_loader，这些加载器会在训练过程中以批量的形式提供数据。
三、定义神经网络
# 定义神经网络
class QYNN(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(28 * 28,128)
self.fc2 = nn.Linear(128,10)
def forward(self, x):
# 将数据展平
x = torch.flatten(x,start_dim=1)
# 激活x，方便数据全联接
x = torch.relu(self.fc1(x))
# 输出10分类
x = self.fc2(x)
return x代码定义了一个简单的全连接神经网络，适用于Fashion-MNIST这样的图像分类任务。这个网络包含两个全连接层（fc1和fc2），分别用于特征提取和分类。
这里是您定义的QYNN类的一些解释：
-
__init__方法定义了网络的结构。网络接受28x28像素的灰度图像作为输入，首先通过一个线性层fc1将784个像素值映射到128个特征，然后通过第二个线性层fc2将128个特征映射到10个输出，对应于10个类别。 -
forward方法定义了数据通过网络的前向传播过程。输入数据首先被展平成一个一维向量，然后通过fc1层，接着是ReLU激活函数，最后通过fc2层输出每个类别的得分。
四、训练模型和测试模型
训练模型
def train(model, train_loader):
'''训练模型'''
# 训练轮数
epochs = 10
for epoch in range(epochs):
running_loss = 0.0
for inputs, labels in train_loader:
# 梯度清零
optimizer.zero_grad()
# 将图片塞进去
outputs = model(inputs)
# 计算损失
loss = criterion(outputs, labels)
# 反向传播
loss.backward()
# 更新参数
optimizer.step()
# 损失值的累加
running_loss += loss.item()
print(f'Epoch:{epoch+1}/{epochs} | Loss: {running_loss/len(train_loader)}')
测试模型
test函数使用了torch.no_grad()来禁用梯度计算，因为在测试阶段我们不需要计算梯度。函数遍历测试数据加载器中的每个批次，将输入数据传递给模型以获取输出，然后使用torch.max函数来获取每个样本的最高得分类别作为预测结果。最后，函数计算预测正确的样本数量与总样本数量，从而得到准确率。
def test(model, test_loader):
'''测试模型'''
correct = 0 # 正确的数量
total = 0 # 样本的总量
with torch.no_grad():
for inputs, labels in test_loader:
outputs = model(inputs)
_, predicted = torch.max(outputs, 1)
# 获取本次样本的数量
total += labels.size(0)
# 预测值 和 标签 相同则正确， 对预测值进行累加
correct += (predicted == labels).sum().item()
print(f'Test Accuracy: {correct / total:.2%}')五、程序入口
if __name__ == '__main__':
# 设置随机种子
torch.manual_seed(21)
# 实例化神经网络
model = QYNN()
# 交叉商
criterion = nn.CrossEntropyLoss()
# 优化器
optimizer = optim.SGD(model.parameters(),lr = 0.01)
# 数据集
train_loader, test_loader = data_loader()
# 训练样本
train(model, train_loader)
# 测设样本
test(model, test_loader)
