前言
本文主要讲神经网络的下半部分。
其实就是结合之前学习的全部内容，进行一次神经网络的训练。
神经网络
下面是使用MNIST数据集进行的手写数字识别的神经网络训练和使用。
MNIST 数据集，是一个常用的手写数字识别数据集。MNIST 数据集包含 60,000 张 28x28 像素的灰度训练图像和 10,000 张测试图像，每张图像都表示一个手写的数字（0-9）。
import torch import torch.nn as nn import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt # device config device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # hyper parameters input_size = 784 # 28x28 hidden_size = 100 num_classes = 10 batch_size = 100 learning_rate = 0.001 # MNIST # torchvision.datasets.MNIST: 这是一个用于加载MNIST数据集的类。 MNIST 数据集，它包含灰度的手写数字图像。每张图像的尺寸是 28x28 像素，灰度图像只有一个通道（channels=1） # root='./data': root 参数指定了数据集的存储位置 './data' 表示一个相对路径，表示数据集将存储在当前工作目录下的 data 文件夹中。如果这个文件夹不存在，PyTorch 会自动创建它。 # train=True: 表示加载的是训练集数据。 # transform=transforms.ToTensor(): 将图像转换为PyTorch张量，并归一化为[0, 1]的范围。 # download=True: 如果指定的 root 路径下没有找到数据集，会自动从互联网下载MNIST数据集。 train_dataset = torchvision.datasets.MNIST( root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = torchvision.datasets.MNIST( root='./data', train=False, transform=transforms.ToTensor()) # torchvision.datasets.MNIST 是内置的数据集，所以不用去像之前内容中，要搞一个csv文件 # 这里直接把MNIST导入进DataLoader # batch_size 指定了一次输入模型的数据量。指定batch_size为100，那就是一批次读取100个，利用数据集的索引就可以读取，因为下面还有个参数shuffle=True，所以读取的时候，数据是被打乱的。 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) print('每份100个，被分成多了份',len(train_loader)) examples = iter(train_loader) # 转换为迭代器，这样可以调用next，一行一行的取数据，只不过他这一行，是一组数据 samples, labels = examples.__next__() # 这里取出 x和y print(samples.shape, labels.shape) # samples即x，是一个批次，即100个图像 # 这里输出的是torch.Size([100, 1, 28, 28]) torch.Size([100]) # 其中x是的数据维度是下面这样的。 # 第一个维度 (64)： 表示批次中包含的样本数量，即 batch_size。在这个例子中，一次输入模型的有 100 张图像。 # 第二个维度 (1)： 表示图像的通道数。对于灰度图像，通道数是 1，彩色图像则通常有 3 个通道（对应 RGB）。 # 第三个维度 (28)： 表示图像的高度。MNIST 图像的高度为 28 像素。 # 第四个维度 (28)： 表示图像的宽度。MNIST 图像的宽度也是 28 像素。 # y只有一个维度，就是100张图像 # x里都数据都是手写的数字，这里可以用图像把他们展示出来看一看 for i in range(6): plt.subplot(2, 3, i+1) # 在图像窗口中创建一个 2 行 3 列的子图布局，并选择第 i+1 个子图位置。 plt.imshow(samples[i][0], cmap='gray') # plt.show() class NeuralNet(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(NeuralNet, self).__init__() self.linear1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.linear2 = nn.Linear(hidden_size, num_classes) def forward(self, x): out = self.linear1(x) out = self.relu(out) out = self.linear2(out) # no softmax at the end return out model = NeuralNet(input_size=input_size, hidden_size=hidden_size, num_classes=num_classes) criterion = nn.CrossEntropyLoss() # (applies Softmax) 这里会调用激活函数，所以上面不调用激活函数了 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # training loop n_total_steps = len(train_loader) num_epochs = 2 #下面这个循环就走2次，意思是在训练完集合里的全部数据后，在重新来一遍 for epoch in range(num_epochs): #for——range模式=其他语言的for #下面这个循环是训练集合里的全部数据 for i, (images, labels) in enumerate(train_loader): #for——enumerate模式=其他语言的foreach # 这里的images是100个图像，也就是一个批次 # 将100，1，28，28 这个四维数组 转换成2维数组，转换结果应该是 100，784 # to(device) 是指将数据转移到这个设备上计算，如果有GPU，这个计算会被加速 images = images.reshape(-1, 28*28).to(device) labels = labels.to(device) # forward outputs = model(images) loss = criterion(outputs, labels) # backwards optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print( f'epoch {epoch+1} / {num_epochs}, step {i+1}/{n_total_steps}, loss = {loss.item}') # test with torch.no_grad(): n_correct = 0 n_samples = 0 for images, labels in test_loader: images = images.reshape(-1, 28*28).to(device) #转二维数组 labels = labels.to(device) outputs = model(images) # 通过我们训练的模型，我们得到了y_predicted # value,index _, predictions = torch.max(outputs, 1) #torch.max(outputs, 1) 会在 outputs 的每一行（对应每个样本）中找到最大值及其索引。由于模型输出的是每个类别的概率分布，所以最大值的索引代表模型对该图像的预测类别。 n_samples += labels.shape[0] #labels.shape[0]会返回y的行数，就是100，因为一个批次100个图像 print("y行数",labels.shape[0]) #predictions == labels 会生成一个布尔张量（True 表示预测正确，False 表示预测错误） #sum() 计算正确预测的数量并加到 n_correct 上 n_correct += (predictions == labels).sum().item() acc = 100.0*n_correct/n_samples #计算正确率 print(f'accuracy ={acc}') 图形
现在我们学会了使用神经网络开发，我们在来看一些图形，就能看懂了。
比如这个M-P神经元模型。
在比如这个神经网络结构图。
下面粉色是输入层，绿色是隐藏层，蓝色是输出层。虽然下面画的隐藏层节点比输入层多，但实际情况并不一定，这只是个示意图，比如我们上面，输入的x是784列，隐藏层计算后，就剩100列。
结语
本质上我并不是python程序员，其实看我的注释就应该能感觉到吧，比如我对python的for循环都会加注释。
我之所以写这个系列，就是因为我不是python开发，这个系列是为了当我间隔超长时间重新使用python时，唤起死去的记忆用的。
不过，我感觉我写的顺序还不错，如果大家反复的仔细的阅读，应该也能掌握神经网络开发。
而且，正因为我不是python开发，反正更好的证明了，python的学习和人工智能的学习，并没有想象中那么难，相信大家只有认真研究，一定都能学会。
传送门：
零基础学习人工智能—Python—Pytorch学习（一）
零基础学习人工智能—Python—Pytorch学习（二）
零基础学习人工智能—Python—Pytorch学习（三）
零基础学习人工智能—Python—Pytorch学习（四）
零基础学习人工智能—Python—Pytorch学习（五）
零基础学习人工智能—Python—Pytorch学习（六）
零基础学习人工智能—Python—Pytorch学习（七）
注：此文章为原创，任何形式的转载都请联系作者获得授权并注明出处！
若您觉得这篇文章还不错，请点击下方的【推荐】，非常感谢！
