AI基础之全连接

Posted 2020-11-30 wangyueyyy

如上篇文章所讲，将我们需用的环境搭建完成以后，我们就可以开始AI之路了，下面就让我们来看看第一个网络框架结构——全连接吧。

import torch.nn as nn
#导入所需库

class Net(nn.Module):
    #初始化网络结构(设计神经网络)
    def __init__(self):
        super().__init__()
        #设计一个多层结构的神经网络
        self.layers = nn.Sequential(
            nn.Linear(28*28,512),
            #设计一层神经网络，有512个神经元，接受748个
            nn.ReLU(),
            nn.Linear(512,256),
            nn.ReLU(),
            nn.Linear(256,128),
            nn.ReLU(),
            nn.Linear(128,10),
            nn.Softmax(dim=1)
        )
    # 前向计算(使用神经网络)，将数据x输入到网络中，返回结果
    def forward(self, x):
        return  self.layers(x)

***************************************************************************************************************************************

import torch
import torchvision
import torch.nn as nn
from PIL import Image
import torch.utils.data as data
from my_net import Net
import  numpy as np
import  os
save_path = "module/net_ps.pth"

train_data = torchvision.datasets.MNIST(
    root="MNIST_data",#单通道28*28黑白图片(0-9数字)
    train=True,
    transform=torchvision.transforms.ToTensor(),
    download=True
)
test_data = torchvision.datasets.MNIST(
    root="MNIST_data",
    train=False,
    transform=torchvision.transforms.ToTensor(),
    download=False
)

if __name__ == ‘__main__‘:
    #创建数据加载器，每次从train_data里面取100张数据，打乱
    train = data.DataLoader(dataset=train_data,batch_size=100,shuffle=True)#用数据加载器从train中每次加载100张图片并打乱
    #实例化网络对象
    net = Net()
    #判断本地是否已经有网络的参数，如果有，那就加载之前的参数
    if os.path.isfile(save_path):
        net = torch.load(save_path)
    #定义损失函数
    loss_fun = nn.MSELoss()#对(h-y)^2求平均
    #定义优化器，用这个优化器来优化网络内部的参数
    optimizer = torch.optim.Adam(net.parameters())
    #取数据，训练网络
    for epoch in range(1000000):
        for i,(x,y) in enumerate(train):#N C H W形状
            #将图片变为100,784
            x = x.reshape(-1,28*28)
            #将图片输入到网络，得到结果
            out = net(x)
            #将标签y进行one-hot编码
            target = torch.zeros(y.size()[0],10).scatter_(1,y.view(-1,1),1)
            #将网络的结果和标签拿来做损失
            loss = loss_fun(target,out)
            #优化损失
            optimizer.zero_grad()#清空梯度
            loss.backward()#根据损失进行反向求导
            optimizer.step()#更新梯度
            #每训练10次，进行一次测试
            if i%10 == 0:
                out_put = torch.argmax(out,dim=1)
                # print("target:",y)
                # print("out:",out_put)
                print("loss:",loss.item())

                #计算准确度
                acc = np.mean(np.array(out_put==y,dtype=np.float32))
                print("精度：",acc)
                #保存网络参数
                torch.save(net,save_path)