pytorch三层全连接层实现手写字母识别方式

更新时间：2020-08-21 03:24:01 作者：startmvc

先用最简单的三层全连接神经网络，然后添加激活层查看实验结果，最后加上批标准化验证

先用最简单的三层全连接神经网络，然后添加激活层查看实验结果，最后加上批标准化验证是否有效

首先根据已有的模板定义网络结构SimpleNet，命名为net.py


import torch
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt
from torch import nn,optim
from torch.utils.data import DataLoader
from torchvision import datasets,transforms
#定义三层全连接神经网络
class simpleNet(nn.Module):
 def __init__(self,in_dim,n_hidden_1,n_hidden_2,out_dim):#输入维度，第一层的神经元个数、第二层的神经元个数，以及第三层的神经元个数
 super(simpleNet,self).__init__()
 self.layer1=nn.Linear(in_dim,n_hidden_1)
 self.layer2=nn.Linear(n_hidden_1,n_hidden_2)
 self.layer3=nn.Linear(n_hidden_2,out_dim)
 def forward(self,x):
 x=self.layer1(x)
 x=self.layer2(x)
 x=self.layer3(x)
 return x
 
 
#添加激活函数
class Activation_Net(nn.Module):
 def __init__(self,in_dim,n_hidden_1,n_hidden_2,out_dim):
 super(NeutalNetwork,self).__init__()
 self.layer1=nn.Sequential(#Sequential组合结构
 nn.Linear(in_dim,n_hidden_1),nn.ReLU(True))
 self.layer2=nn.Sequential(
 nn.Linear(n_hidden_1,n_hidden_2),nn.ReLU(True))
 self.layer3=nn.Sequential(
 nn.Linear(n_hidden_2,out_dim))
 def forward(self,x):
 x=self.layer1(x)
 x=self.layer2(x)
 x=self.layer3(x)
 return x
#添加批标准化处理模块,皮标准化放在全连接的后面，非线性的前面
class Batch_Net(nn.Module):
 def _init__(self,in_dim,n_hidden_1,n_hidden_2,out_dim):
 super(Batch_net,self).__init__()
 self.layer1=nn.Sequential(nn.Linear(in_dim,n_hidden_1),nn.BatchNormld(n_hidden_1),nn.ReLU(True))
 self.layer2=nn.Sequential(nn.Linear(n_hidden_1,n_hidden_2),nn.BatchNormld(n_hidden_2),nn.ReLU(True))
 self.layer3=nn.Sequential(nn.Linear(n_hidden_2,out_dim))
 def forword(self,x):
 x=self.layer1(x)
 x=self.layer2(x)
 x=self.layer3(x)
 return x

训练网络，


import torch
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from torch import nn,optim
from torch.utils.data import DataLoader
from torchvision import datasets,transforms
#定义一些超参数
import net
batch_size=64
learning_rate=1e-2
num_epoches=20
#预处理
data_tf=transforms.Compose(
[transforms.ToTensor(),transforms.Normalize([0.5],[0.5])])#将图像转化成tensor，然后继续标准化，就是减均值，除以方差

#读取数据集
train_dataset=datasets.MNIST(root='./data',train=True,transform=data_tf,download=True)
test_dataset=datasets.MNIST(root='./data',train=False,transform=data_tf)
#使用内置的函数导入数据集
train_loader=DataLoader(train_dataset,batch_size=batch_size,shuffle=True)
test_loader=DataLoader(test_dataset,batch_size=batch_size,shuffle=False)

#导入网络，定义损失函数和优化方法
model=net.simpleNet(28*28,300,100,10)
if torch.cuda.is_available():#是否使用cuda加速
 model=model.cuda()
criterion=nn.CrossEntropyLoss()
optimizer=optim.SGD(model.parameters(),lr=learning_rate)
import net
n_epochs=5
for epoch in range(n_epochs):
 running_loss=0.0
 running_correct=0
 print("epoch {}/{}".format(epoch,n_epochs))
 print("-"*10)
 for data in train_loader:
 img,label=data
 img=img.view(img.size(0),-1)
 if torch.cuda.is_available():
 img=img.cuda()
 label=label.cuda()
 else:
 img=Variable(img)
 label=Variable(label)
 out=model(img)#得到前向传播的结果
 loss=criterion(out,label)#得到损失函数
 print_loss=loss.data.item()
 optimizer.zero_grad()#归0梯度
 loss.backward()#反向传播
 optimizer.step()#优化
 running_loss+=loss.item()
 epoch+=1
 if epoch%50==0:
 print('epoch:{},loss:{:.4f}'.format(epoch,loss.data.item()))

训练的结果截图如下：

测试网络


#测试网络
model.eval()#将模型变成测试模式
eval_loss=0
eval_acc=0
for data in test_loader:
 img,label=data
 img=img.view(img.size(0),-1)#测试集不需要反向传播，所以可以在前项传播的时候释放内存，节约内存空间
 if torch.cuda.is_available():
 img=Variable(img,volatile=True).cuda()
 label=Variable(label,volatile=True).cuda()
 else:
 img=Variable(img,volatile=True)
 label=Variable(label,volatile=True)
 out=model(img)
 loss=criterion(out,label)
 eval_loss+=loss.item()*label.size(0)
 _,pred=torch.max(out,1)
 num_correct=(pred==label).sum()
 eval_acc+=num_correct.item()
print('test loss:{:.6f},ac:{:.6f}'.format(eval_loss/(len(test_dataset)),eval_acc/(len(test_dataset))))