AI基础之全连接

如上篇文章所讲，将我们需用的环境搭建完成以后，我们就可以开始AI之路了，下面就让我们来看看第一个网络框架结构——全连接吧。

import torch.nn as nn#导入所需库

class Net(nn.Module):    #初始化网络结构(设计神经网络)    def __init__(self):        super().__init__()        #设计一个多层结构的神经网络        self.layers = nn.Sequential(            nn.Linear(28*28,512),            #设计一层神经网络，有512个神经元，接受748个            nn.ReLU(),            nn.Linear(512,256),            nn.ReLU(),            nn.Linear(256,128),            nn.ReLU(),            nn.Linear(128,10),            nn.Softmax(dim=1)        )    # 前向计算(使用神经网络)，将数据x输入到网络中，返回结果    def forward(self, x):        return  self.layers(x)

***************************************************************************************************************************************

import torchimport torchvisionimport torch.nn as nnfrom PIL import Imageimport torch.utils.data as datafrom my_net import Netimport  numpy as npimport  ossave_path = "module/net_ps.pth"

train_data = torchvision.datasets.MNIST(    root="MNIST_data",#单通道28*28黑白图片(0-9数字)    train=True,    transform=torchvision.transforms.ToTensor(),    download=True)test_data = torchvision.datasets.MNIST(    root="MNIST_data",    train=False,    transform=torchvision.transforms.ToTensor(),    download=False)

if __name__ == ‘__main__‘:    #创建数据加载器，每次从train_data里面取100张数据，打乱    train = data.DataLoader(dataset=train_data,batch_size=100,shuffle=True)#用数据加载器从train中每次加载100张图片并打乱    #实例化网络对象    net = Net()    #判断本地是否已经有网络的参数，如果有，那就加载之前的参数    if os.path.isfile(save_path):        net = torch.load(save_path)    #定义损失函数    loss_fun = nn.MSELoss()#对(h-y)^2求平均    #定义优化器，用这个优化器来优化网络内部的参数    optimizer = torch.optim.Adam(net.parameters())    #取数据，训练网络    for epoch in range(1000000):        for i,(x,y) in enumerate(train):#N C H W形状            #将图片变为100,784            x = x.reshape(-1,28*28)            #将图片输入到网络，得到结果            out = net(x)            #将标签y进行one-hot编码            target = torch.zeros(y.size()[0],10).scatter_(1,y.view(-1,1),1)            #将网络的结果和标签拿来做损失            loss = loss_fun(target,out)            #优化损失            optimizer.zero_grad()#清空梯度            loss.backward()#根据损失进行反向求导            optimizer.step()#更新梯度            #每训练10次，进行一次测试            if i%10 == 0:                out_put = torch.argmax(out,dim=1)                # print("target:",y)                # print("out:",out_put)                print("loss:",loss.item())

                #计算准确度                acc = np.mean(np.array(out_put==y,dtype=np.float32))                print("精度：",acc)                #保存网络参数                torch.save(net,save_path)

原文地址：https://www.cnblogs.com/wangyueyyy/p/11822340.html