1.导入必要模块

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt

2.超参数设置

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')   #设备input_size = 784      #输入大小
hidden_size = 500     #隐层大小
num_classes = 10      #输出大小
num_epochs = 2        #迭代次数
batch_size = 100      #批量大小
learning_rate = 0.001   #学习率

3.数据准备

train_dataset = torchvision.datasets.MNIST(root='./data',       #下载训练数据train = True,transform=transforms.ToTensor(),download=True)
test_dataset = torchvision.datasets.MNIST(root='./data',        #下载测试数据train = False,transform=transforms.ToTensor())train_loader = torch.utils.data.DataLoader(dataset=train_dataset,     #制作DataLoaderbatch_size=batch_size,shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=False)

4.打印部分加载的数据

examples = iter(test_loader)
example_data, example_targets = examples.next()for i in range(6):plt.subplot(2, 3, i+1)plt.imshow(example_data[i][0], cmap='gray')
plt.show()

5.模型建立

class NeuralNet(nn.Module):def __init__(self, input_size, hidden_size, num_classes):super(NeuralNet, self).__init__()self.input_size = input_sizeself.l1 = nn.Linear(input_size, hidden_size)self.relu = nn.ReLU()self.l2 = nn.Linear(hidden_size, num_classes)def forward(self, x):out = self.l1(x)out = self.relu(out)out = self.l2(out)return out

6.训练

model = NeuralNet(input_size, hidden_size, num_classes).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
n_total_steps = len(train_loader)for epoch in range(num_epochs):for i, (images, labels) in enumerate(train_loader):images = images.reshape(-1, 28*28).to(device)labels = labels.to(device)outputs = model(images)loss = criterion(outputs, labels)optimizer.zero_grad()loss.backward()optimizer.step()if (i+1)%100==0:print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{n_total_steps}], Loss:{loss.item():.4f}')with torch.no_grad():n_correct = 0n_samples = 0for images, labels in test_loader:images = images.reshape(-1, 28*28).to(device)labels = labels.to(device)outputs = model(images)_, predicted = torch.max(outputs.data, 1)n_samples += labels.size(0)n_correct += (predicted == labels).sum().item()
acc = 100.0*n_correct / n_samples
print(f'Accuracy of the network on the 1000 test images:{acc}%')

Pytorch专题实战——前馈神经网络(Feed-Forward Neural Network)相关推荐

keras构建前馈神经网络（feedforward neural network）进行分类模型构建基于早停法（Early stopping)
keras构建前馈神经网络(feedforward neural network)进行分类模型构建基于早停法(Early stopping) 当我们训练深度学习神经网络的时候通常希望能获得最好的泛化性 ...
keras构建前馈神经网络（feedforward neural network）进行多分类模型训练学习
keras构建前馈神经网络(feedforward neural network)进行多分类模型训练学习前馈神经网络(feedforward neural network)是一种最简单的神经网络,各 ...
keras构建前馈神经网络（feedforward neural network）进行分类模型构建并加入L2正则化
keras构建前馈神经网络(feedforward neural network)进行分类模型构建并加入L2正则化正则化(Regularization)是机器学习中一种常用的技术,其主要目的是控制模 ...
keras构建前馈神经网络（feedforward neural network）进行回归模型构建和学习
keras构建前馈神经网络(feedforward neural network)进行回归模型构建和学习我们不必在"回归"一词上费太多脑筋.英国著名统计学家弗朗西斯·高尔顿(Fr ...
深度学习实验1：pytorch实践与前馈神经网络
深度学习实验1:pytorch实践与前馈神经网络 1.pytorch基本操作 1.使用
深度学习笔记（四）——循环神经网络（Recurrent Neural Network, RNN）
目录一.RNN简介 (一).简介 (二).RNN处理任务示例--以NER为例二.模型提出 (一).基本RNN结构 (二).RNN展开结构三.RNN的结构变化 (一).N to N结构RNN模型 ...
卷积神经网络（Convolutional Neural Network，CNN）
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现. 它包括卷积层(con ...
类脑运算--脉冲神经网络（Spiking Neural Network）发展现状
类脑运算–脉冲神经网络(Spiking Neural Network)发展现状前一段时间忙于博士论文的攥写和答辩, 抱歉拖更继上一章: 类脑运算–脉冲神经网络(Spiking Neural Net ...
R语言高级算法之人工神经网络（Artificial Neural Network）
1.人工神经网络原理分析: 神经网络是一种运算模型,由大量的节点(或称神经元)和之间的相互连接构成,每个节点代表一种特定的输出函数,称为激励函数(activation function).每两个节点间 ...

Pytorch专题实战——前馈神经网络(Feed-Forward Neural Network)

文章目录

1.导入必要模块

2.超参数设置

3.数据准备

4.打印部分加载的数据

5.模型建立

6.训练

Pytorch专题实战——前馈神经网络(Feed-Forward Neural Network)相关推荐

最新文章

热门文章