PyTorch深度学习实战——多分类问题

最新推荐文章于 2024-07-24 14:59:26 发布

原创最新推荐文章于 2024-07-24 14:59:26 发布 · 604 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习

PyTorch深度学习实践专栏收录该内容

7 篇文章

订阅专栏

这段代码展示了如何使用PyTorch构建一个深度学习模型来识别MNIST数据集的手写数字。首先，定义了一系列的预处理转换，然后加载MNIST训练和测试数据集，并使用DataLoader进行批量处理。接着，定义了一个具有多个全连接层的神经网络模型，每个隐藏层都使用ReLU激活函数。最后，模型没有在代码中训练，表明这是模型构建的起点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

batch_size = 64
transforms = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

train_dataset = datasets.MNIST(root='../dataset/mnist/', train=True, download=True, batch_size=batch_size)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/', train=True, download=True, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)


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):
        x = 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)  # 最后一层不需要用relu函数处理，因为最后一层输出的处理被包含进了

代码存档，还未学完，暂时用不上