1. 简介
PyTorch是一个基于Python的科学计算库,主要应用于深度学习中,它也是Facebook的AI研究团队发布的计算框架。PyTorch提供了两个高层特性:Tensor计算(类似于Numpy)和深度神经网络计算(类似于tensorflow)。在本文中,我们将会介绍如何在Jupyter Notebook中使用PyTorch搭建深度学习神经网络模型并训练数据。
2. 安装
在使用PyTorch之前,需要先安装它。PyTorch的安装可以通过官方网站(https://pytorch.org/)进行下载。可以根据自己的系统版本、CUDA版本和Python版本选择所对应的安装包。
# 使用pip安装pytorch
pip install torch
3. 导入PyTorch的相关包
在使用PyTorch之前,需要先导入相关的库。在本文中,我们需要导入torch、torchvision和numpy等库。
import torch
import torchvision
import torchvision.transforms as transforms
import numpy as np
4. 数据准备
4.1 导入数据集
在本文中,我们将使用CIFAR-10数据集,在PyTorch中,可以通过torchvision.datasets.CIFAR10()函数来导入数据集,并使用transforms.Compose()函数来对数据集进行预处理。
# 下载CIFAR-10数据集并进行预处理
transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform_train)
4.2 划分训练集和验证集
我们需要将训练集分割成训练集和验证集,以便我们在训练期间对模型进行评估。
# 定义trainloader和testloader
trainloader = torch.utils.data.DataLoader(trainset, batch_size=128,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform_train)
testloader = torch.utils.data.DataLoader(testset, batch_size=128,
shuffle=False, num_workers=2)
5. 搭建卷积神经网络模型
在本例中,我们将使用一个简单的卷积神经网络,包括两个卷积层和两个全连接层。
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 卷积层 1
self.conv1 = nn.Conv2d(3, 32, 5)
self.pool = nn.MaxPool2d(2, 2)
# 卷积层2
self.conv2 = nn.Conv2d(32, 64, 5)
# 全连接层1
self.fc1 = nn.Linear(64 * 5 * 5, 512)
# 全连接层2
self.fc2 = nn.Linear(512, 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, 64 * 5 * 5)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
net = Net()
6. 训练模型
在训练模型之前,我们需要定义损失函数和优化器。在本例中,我们将使用交叉熵损失函数和SGD优化器。
import torch.optim as optim
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(2): # 多次迭代
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# 获取训练数据
inputs, labels = data
# 梯度清零
optimizer.zero_grad()
# 前向传播、反向传播、优化
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 打印log信息
running_loss += loss.item()
if i % 2000 == 1999: # 每2000个batch打印一次训练状态
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
7. 测试模型
在训练模型之后,我们需要对模型进行测试,以验证其准确性。
# 在测试数据集上测试网络
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))
我们的模型在CIFAR-10测试集上的准确率为70%。