使用全连接神经网络
我们接下来就是要预测类似下面的图片中的数字是多少
; 导入之后会用到的模块
import torch
from torchvision import transforms, datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim
加载数据集，并且将数据集进行划分
batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307, ), (0.3081, ))
])
train_dataset = datasets.MNIST(root = r'C:\Users\Administrator\Desktop\python\Pytorch和自然语言处理\多分类问题数据集',
train = True,
download=False,
transform=transform)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset = datasets.MNIST(root = r'C:\Users\Administrator\Desktop\python\Pytorch和自然语言处理\多分类问题数据集',
train = False,
download=False,
transform=transform)
test_loader = DataLoader(train_dataset,
shuffle=False,
batch_size=batch_size)
全连接神经网络
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256, 128)
self.l4 = torch.nn.Linear(128, 64)
self.l5 = torch.nn.Linear(64, 10)
def forward(self, x):
kernel_size = x.view(-1, 784)
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x))
return self.l5(x)
实例化模型并且设置损失函数以及优化器
model = Net()
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
有关于momentum的具体解释可以看随机梯度下降优化算法、基于冲量的优化算法、TensorFlow中的优化算法API.
对训练集以及测试集进行训练
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
inputs, target = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idx % 300 == 299:
print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
def test():
correct = 0
total = 0
with torch.no_grad():
for data in test_loader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, dim = 1)
correct += (predicted == labels).sum().item()
print('Exact quantity on test set: %d' % correct)
由于我们在进行全连接神经网络训练的前向传播的时候是直接将 x展开成了 1*784的维度
例如下面这张图：
图片上所圈出的两个地方在图片上来看是非常接近的，都处于同一列，只是处于相邻两行
但是在将该图片的大小展开为了一维之后，这圈出来的两个点的距离就会变得比较大，所以这样数据就失去了原本存在的空间几何关系
但是使用 卷积层神经网络就可以很好的减少这一点所带来的影响
使用卷积层神经网络
使用 卷积层神经网络只需要将 全连接神经网络中的 模型换掉即可
定义卷积层神经网络模型
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)
self.pooling = torch.nn.MaxPool2d(2)
self.fc = torch.nn.Linear(320, 10)
def forward(self, x):
batch_size = x.size(0)
x = F.relu(self.pooling(self.conv1(x)))
x = F.relu(self.pooling(self.conv2(x)))
x = x.view(batch_size, -1)
x = self.fc(x)
return x
接下来就是两种神经网络的训练结果的比较
全连接神经网络的训练结果：
; 卷积层神经网络的训练结果：
通过以上的结果可以看出卷积层神经网络要略优于全连接神经网络的训练结果
Original: https://blog.csdn.net/qq_51941086/article/details/119184241
Author: Thefan1
Title: 分别使用全连接神经网络和卷积层神经网络进行多分类问题
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/666480/
转载文章受原作者版权保护。转载请注明原作者出处！