PyTorch学习，RNN分类

Posted 2021-06-07 My heart will go ~~

数据集与先前下载的数据集一致，所以此次就不再下载，但仍然呈现了下载的代码
代码如下，大部分都加了详细的注释

import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision

EPOCH=1  #训练整批数据的次数
BATCH_SIZE = 64#批训练的数据个数
TIME_STEP=28#考虑多少时间点的数据，
INPUT_SIZE=28#每个时间点给RNN多少个数据点
LR = 0.01     # 学习率
DOWNLOAD_MNIST = False  


train_data=torchvision.datasets.MNIST(#下载数据的代码
    root='./mnist',
    train=True,
    transform=torchvision.transforms.ToTensor(),  #(网上数据改为tensor),0-1之间，并复制到train_data中
    download=DOWNLOAD_MNIST#没有下载就=true，下载了就用false
    )
train_loader=Data.DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True)#为了更方便的训练数据

#测试集
test_data=torchvision.datasets.MNIST(root='./mnist/',train=False)
test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1),volatile=True).type(torch.FloatTensor)[:2000]/255.   
test_y = test_data.test_labels[:2000]

class RNN(nn.Module):
    def __init__(self):
        super(RNN,self).__init__()
        self.rnn=nn.LSTM(
            input_size=INPUT_SIZE,
            hidden_size=64,
            num_layers=1,
            batch_first=True,#batch放在第一个维度
        )
        self.out=nn.Linear(64,10)
    
    def forward(self,x):
        r_out,(h_n,h_c)=self.rnn(x,None)  #x(batch,time_step,input_size)
        out=self.out(r_out[:,-1,:])#选取最后一个时刻的output，因为（batch,tims step,input）、
        return out
rnn=RNN()
print(rnn)
 
#优化       
optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)   # optimize all cnn parameters
loss_func = nn.CrossEntropyLoss() 

for epoch in range(EPOCH):
    for step, (x, y) in enumerate(train_loader):   # gives batch data
        b_x = x.view(-1, 28, 28)   # (batch, time_step, input_size)
        b_y=Variable(y)
        output = rnn(b_x)               # rnn output
        loss = loss_func(output, b_y)   
        optimizer.zero_grad()          
        loss.backward()                 
        optimizer.step()  


#测试一下前十个数据
test_output = rnn(test_x[:10].view(-1, 28, 28))
pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze()
print(pred_y, 'prediction number')
print(test_y[:10], 'real number')

其中，最后测试集的测试结果如下：