技術標籤：Pytorch在學了pythonpytorch神經網路邏輯迴歸

本部落格基於github上某位大神的pytorch入門學習程式碼，在他的基礎上加上了更詳細的中文註釋以及不懂的模組使用方法。github連線：https://github.com/yunjey/pytorch-tutorial

邏輯迴歸模型

執行程式碼之前，請確定當前環境下已經安裝torch、torchvision。

# 匯入的包
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms

# 超引數設定
 

input_size = 784 # 輸入的大小（28*28）
num_classes = 10 # 輸出分類的個數
num_epochs = 5 # 迭代的次數
batch_size = 100 # 一次輸入的資料量
learning_rate = 0.001 # 學習率

# 載入訓練集
# 通過torchvision的這個方法從網上下載MINIST資料集
train_dataset = torchvision.datasets.MNIST(root="../../data/minist", train=True, transform=transforms.ToTensor(), download=
 
True)
# 載入測試集
test_dataset = torchvision.datasets.MNIST(root="../../data/minist", train=False, transform=transforms.ToTensor())

# 資料載入器，用來幫助讀取訓練和測試時所使用的資料，同時設定批次大小和資料亂序
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size = batch_size, shuffle=True)
test_loader = torch.
 
utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False)

# 構建一個線性模型
model = nn.Linear(input_size, num_classes)
# 損失函式，交叉熵損失函式
criterion = nn.CrossEntropyLoss()
# 優化器，使用隨機梯度下降
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 訓練模型
total_step = len(train_loader)
# 迭代num_epochs次
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        # 將影象序列轉換至大小為28*28列，行數未知（設為-1）的矩陣
        images = images.reshape(-1, 28*28)

        # 前向傳播，得到輸出
        outputs = model(images)
        # 計算損失
        loss = criterion(outputs, labels)

        # 反向傳播及其優化過程
        # 清空梯度快取,避免影響到下一個batch
        optimizer.zero_grad()
        # 反向傳播，計算新的梯度
        loss.backward()
        # 更新梯度
        optimizer.step()

        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss:{:.4f}'.format(epoch + 1, num_epochs, i+1, total_step, loss.item()))

# 模型測試
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        # 設為28*28列的陣列，行數未知，設為-1
        images = images.reshape(-1, 28*28)
        # 預測輸出
        outputs = model(images)
        # _代表最大值，predicted代表最大值所在的index，1為輸出所在行的最大值
        _, predicted = torch.max(outputs.data, 1)
        # 返回labels的個數
        total += labels.size(0)
        # 計算正確預測的個數
        correct += (predicted == labels).sum()
    print("Accuracy of the model on the 10000 test images: {} %".format(100 * correct / total))

# 儲存訓練好的模型
torch.save(model.state_dict(), "model.ckpt")

執行結果（部分）：

方法解釋

torchvision.datasets.MNIST（root，train，transform，download）

這個方法可以幫助我們下載MINIST資料集。

• root：資料下載存放的目錄
• train：是否下載訓練集，True為下載訓練集，False為下載測試集
• transform：接收影象並對其進行轉換。這裡使用的是transforms.ToTensor()指把PIL.Image(RGB) 或者numpy.ndarray(H x W x C) 從0到255的值對映到0到1的範圍內，並轉化成Tensor格式。（解釋來自網上）
• download：是否從網上下載該資料集

torch.utils.data.DataLoader(dataset, batch_size, shuffle)

處理訓練集和測試集，用來對資料進行分批和打亂。

• dataset：輸入的資料
• batch_size：每次輸入給模型的資料的行數，即對資料進行分批，預設為1
• shuffle：是否對資料進行打亂

此外還有其他的引數，此處沒有用到不做解釋，可以查詢中文手冊或點選下面相關參考連結進行查閱。

可能出現的錯誤

有可能會出現torchvision下載錯誤問題：

原因是安裝的torch版本和torchvision不對應，可以通過安裝固定版本的torch和torchvision來解決：

pip install torch==1.3.1 -f https://download.pytorch.org/whl/torch_stable.html

pip install torchvision==0.4.1

參考：

totensor方法和normalize方法 數值對映和歸一化：https://www.cnblogs.com/lishikai/p/12364438.html

「學習筆記」torchvision.datasets.MNIST 引數解讀/中文使用手冊：https://blog.csdn.net/ftimes/article/details/105202039

[ PyTorch ] torch.utils.data.DataLoader 中文使用手冊：https://blog.csdn.net/ftimes/article/details/105201002

解決 Could not find a version that satisfies the requirement torch==1.4.0：https://www.cnblogs.com/aze999/p/13784572.html