網上找了一個代碼，閱讀代碼，加上了相應的注釋
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
BATCH_SIZE=512 #大概需要2G的顯存
EPOCHS=20 # 總共訓練批次
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 讓torch判斷是否使用GPU
#獲取數(shù)據(jù)
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('data', train=True, download=True, #有數(shù)據(jù)集后改為download=False
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=BATCH_SIZE, shuffle=True)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=BATCH_SIZE, shuffle=True)
#定義模型
class ConvNet(nn.Module):
def __init__(self):
super().__init__()
# 1,28x28
self.conv1=nn.Conv2d(1,10,5) # 10, 24x24
self.conv2=nn.Conv2d(10,20,3) # 128, 10x10
self.fc1 = nn.Linear(20*10*10,500)
self.fc2 = nn.Linear(500,10)
def forward(self,x):
in_size = x.size(0)
out = self.conv1(x) #24
out = F.relu(out)
out = F.max_pool2d(out, 2, 2) #12
out = self.conv2(out) #10
out = F.relu(out)
out = out.view(in_size,-1)#展開成一維，方便進行FC
out = self.fc1(out)
out = F.relu(out)
out = self.fc2(out)
out = F.log_softmax(out,dim=1)
return out
model = ConvNet().to(DEVICE)
optimizer = optim.Adam(model.parameters())
#訓練過程
'''
1 獲取loss：輸入圖像和標簽，通過infer計算得到預測值，計算損失函數(shù)；
2 optimizer.zero_grad() 清空過往梯度；
3 loss.backward() 反向傳播，計算當前梯度；
4 optimizer.step() 根據(jù)梯度更新網絡參數(shù)
鏈接：https://www.zhihu.com/question/303070254/answer/573037166
'''
def train(model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()#梯度置零，清空過往梯度，這種操作模式的好處可參考https://www.zhihu.com/question/303070254
output = model(data)
loss = F.nll_loss(output, target)#調用內置函數(shù)
loss.backward()#反向傳播，計算當前梯度
optimizer.step()#根據(jù)梯度更新網絡參數(shù)
if(batch_idx+1)%30 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))#Use torch.Tensor.item() to get a Python number from a tensor containing a single value:
#測試過程
def test(model, device, test_loader):
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)#正向計算預測值
test_loss += F.nll_loss(output, target, reduction='sum').item() # 將一批的損失相加
pred = output.max(1, keepdim=True)[1] # 找到概率最大的下標
correct += pred.eq(target.view_as(pred)).sum().item()#找到正確的預測值
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
#運行，這里也可以改成main的形式
for epoch in range(1, EPOCHS + 1):
train(model, DEVICE, train_loader, optimizer, epoch)
test(model, DEVICE, test_loader)
代碼部分比較簡單
1、數(shù)據(jù)讀取
2、構建網絡模型 ConvNet(nn.Module)
3、構建訓練函數(shù)train
4、構建測試函數(shù)test
5、關于代碼中的model.train()，model.eval()的說明：
參考 PyTorch進行訓練和測試時指定實例化的model模式為：train/eval：
eval即evaluation模式，train即訓練模式。僅僅當模型中有Dropout和BatchNorm是才會有影響。因為訓練時dropout和BN都開啟，而一般而言測試時dropout被關閉，BN中的參數(shù)也是利用訓練時保留的參數(shù)，所以測試時應進入評估模式。
（在訓練時，??和??2是在整個mini-batch 上計算出來的包含了像是64 或28 或其它一定數(shù)量的樣本，但在測試時，你可能需要逐一處理樣本，方法是根據(jù)你的訓練集估算??和??2，估算的方式有很多種，理論上你可以在最終的網絡中運行整個訓練集來得到??和??2，但在實際操作中，我們通常運用指數(shù)加權平均來追蹤在訓練過程中你看到的??和??2的值。還可以用指數(shù)加權平均，有時也叫做流動平均來粗略估算??和??2，然后在測試中使用??和??2的值來進行你所需要的隱藏單元??值的調整。在實踐中，不管你用什么方式估算??和??2，這套過程都是比較穩(wěn)健的，因此我不太會擔心你具體的操作方式，而且如果你使用的是某種深度學習框架，通常會有默認的估算??和??2的方式，應該一樣會起到比較好的效果）
6、損失函數(shù)，這是torch的loss function，這里用的是負對數(shù)似然，推導可以參考負對數(shù)似然
