深度学习学习笔记（4）代码实现

现在来利用 pytorch 提供的高级功能来自己实现一个 MLP 用来处理图像分类任务。

加载数据集。

from d2l import torch as d2l
batch_size = 256
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)

定义模型。

net = nn.Sequential(nn.Flatten(),
                    nn.Linear(784, 256),
                    nn.ReLU(),
                    nn.Linear(256, 10))

初始化权重。这一步将会遍历模型的每一层，并为每个线性层（type(m) == nn.Linear）随机初始化权重（默认均值为 $0$ ，标准差为 $0.01$）。

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights)

定义一个交叉熵 loss 函数。

loss = nn.CrossEntropyLoss(reduction='none')

定义一个优化器 trainer（ updater ），学习率为 $0.1$ ，使用 小批量随机梯度下降：

trainer = torch.optim.SGD(net.parameters(), lr=0.1)

训练

def train_epoch(net,train_iter,loss,updater):
    net.train() # 将模型设置为训练模式，目前大概没有实际作用
    metric = Accumulator(3)
    for X,y in train_iter: # 一个批次（batch_size）的数据
        y_hat = net(X) # 计算预测值
        l = loss(y_hat,y) # 计算loss
        updater.zero_grad()
        l.mean().backward()
        updater.step() # 执行更新
        metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
    return (metric[0]/metric[2]),(metric[1]/metric[2])
def train(net,train_iter,test_iter,loss,num_epochs,updater):
    for epoch in range(num_epochs):
        train_metrics = train_epoch(net,train_iter,loss,updater)
        test_acc = evaluate_accuracy(net, test_iter)
        print(f"Epoch {epoch} , Acc = {test_acc}")
    train_loss, train_acc = train_metrics

训练 $30$ 轮，在这个任务上足够了：

num_epochs = 30
train(net,train_iter,test_iter,loss,num_epochs,trainer)

执行预测：

def predict(net,test_iter,n=6):
    for X, y in test_iter:
        break
    trues = d2l.get_fashion_mnist_labels(y)
    preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
    for tr,pred in zip(trues,preds):
        print(f"True: {tr} , Predict: {pred}")
predict(net, test_iter)