data
首先导入torch里面专门做图形处理的一个库，torchvision，根据官方安装指南，你在安装pytorch的时候torchvision也会安装。
我们需要使用的是torchvision.transforms和torchvision.datasets以及torch.utils.data.DataLoader
首先DataLoader是导入图片的操作，里面有一些参数，比如batch_size和shuffle等，默认load进去的图片类型是PIL.Image.open的类型，如果你不知道PIL，简单来说就是一种读取图片的库
torchvision.transforms里面的操作是对导入的图片做处理，比如可以随机取(50, 50)这样的窗框大小，或者随机翻转，或者去中间的(50, 50)的窗框大小部分等等，但是里面必须要用的是transforms.ToTensor()，这可以将PIL的图片类型转换成tensor，这样pytorch才可以对其做处理
torchvision.datasets里面有很多数据类型，里面有官网处理好的数据，比如我们要使用的MNIST数据集，可以通过torchvision.datasets.MNIST()来得到，还有一个常使用的是torchvision.datasets.ImageFolder()，这个可以让我们按文件夹来取图片，和keras里面的flow_from_directory()类似，具体的可以去看看官方文档的介绍。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
# 定义超参数 batch_size = 32 learning_rate = 1e-3 num_epoches = 100 # 下载训练集 MNIST 手写数字训练集 train_dataset = datasets.MNIST(root=\'./data\', train=True, transform=transforms.ToTensor(), download=True) test_dataset = datasets.MNIST(root=\'./data\', train=False, transform=transforms.ToTensor()) train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) |
以上就是我们对图片数据的读取操作
model
之前讲过模型定义的框架，废话不多说，直接上代码
| 1 2 3 4 5 6 7 8 9 10 |
class Logstic_Regression(nn.Module): def __init__(self, in_dim, n_class): super(Logstic_Regression, self).__init__() self.logstic = nn.Linear(in_dim, n_class) def forward(self, x): out = self.logstic(x) return out model = Logstic_Regression(28*28, 10) # 图片大小是28x28 |
我们需要向这个模型传入参数，第一个参数定义为数据的维度，第二维数是我们分类的数目。
接着我们可以在gpu上跑模型，怎么做呢？
首先可以判断一下你是否能在gpu上跑
| 1 |
torh.cuda.is_available() |
如果返回True就说明有gpu支持
接着你只需要一个简单的命令就可以了
| 1 2 3 4 5 |
model = model.cuda() 或者 model.cuda() |
然后需要定义loss和optimizer
| 1 2 |
criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) |
这里我们使用的loss是交叉熵，是一种处理分类问题的loss，optimizer我们还是使用随机梯度下降
train
接着就可以开始训练了
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
for epoch in range(num_epoches): print(\'epoch {}\'.format(epoch 1)) print(\'*\'*10) running_loss = 0.0 running_acc = 0.0 for i, data in enumerate(train_loader, 1): img, label = data img = img.view(img.size(0), -1) # 将图片展开成 28x28 if use_gpu: img = Variable(img).cuda() label = Variable(label).cuda() else: img = Variable(img) label = Variable(label) # 向前传播 out = model(img) loss = criterion(out, label) running_loss = loss.data[0] * label.size(0) _, pred = torch.max(out, 1) num_correct = (pred == label).sum() running_acc = num_correct.data[0] # 向后传播 optimizer.zero_grad() loss.backward() optimizer.step() |
注意我们如果将模型放到了gpu上，相应的我们的Variable也要放到gpu上，也很简单
| 1 2 |
img = Variable(img).cuda() label = Variable(label).cuda() |
然后可以测试模型，过程与训练类似，只是注意要将模型改成测试模式
| 1 |
model.eval() |
这是跑完100 epoch的结果
具体的结果多久打印一次，如何打印可以自己在for循环里面去设计。文章来源：https://www.toymoban.com/news/detail-836811.html
相关代码：pytorch-beginner: pytorch-beginner文章来源地址https://www.toymoban.com/news/detail-836811.html
到了这里，关于PyTorch – 逻辑回归的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
