PyTorch神经网络构建与图像分类基础

# PyTorch 神经网络构建与图像分类基础 ## 1. PyTorch 神经网络基础操作 ### 1.1 中间层值的获取 在某些场景下，获取神经网络中间层的值是很有帮助的。PyTorch 提供了两种方式来获取神经网络的中间值： - **直接调用层**：将层当作函数直接调用。示例代码如下： ```python input_to_hidden = mynet.input_to_hidden_layer(X) hidden_activation = mynet.hidden_layer_activation(input_to_hidden) print(hidden_activation) ``` 需要注意的是，要先调用 `input_to_hidden_layer` 激活函数，因为其输出是 `hidden_layer_activation` 层的输入。 - **在 forward 方法中指定**：以一个简单的神经网络为例，代码如下： ```python import torch import torch.nn as nn class NeuralNet(nn.Module): def __init__(self): super().__init__() self.input_to_hidden_layer = nn.Linear(2, 8) self.hidden_layer_activation = nn.ReLU() self.hidden_to_output_layer = nn.Linear(8, 1) def forward(self, x): hidden1 = self.input_to_hidden_layer(x) hidden2 = self.hidden_layer_activation(hidden1) output = self.hidden_to_output_layer(hidden2) return output, hidden2 device = 'cuda' if torch.cuda.is_available() else 'cpu' mynet = NeuralNet().to(device) # 获取隐藏层值 mynet(X)[1] ``` 这里 `mynet(X)[0]` 是网络前向传播的最终输出，而 `mynet(X)[1]` 是隐藏层激活后的输出。 ### 1.2 使用 Sequential 方法构建神经网络 之前我们通过手动构建神经网络的每个层来实现神经网络。现在，我们可以使用 `Sequential` 类来简化神经网络架构的定义。以下是具体步骤： 1. **定义玩具数据集**： ```python x = [[1, 2], [3, 4], [5, 6], [7, 8]] y = [[3], [7], [11], [15]] ``` 2. **导入相关包并定义设备**： ```python import torch import torch.nn as nn import numpy as np from torch.utils.data import Dataset, DataLoader device = 'cuda' if torch.cuda.is_available() else 'cpu' ``` 3. **定义数据集类**： ```python class MyDataset(Dataset): def __init__(self, x, y): self.x = torch.tensor(x).float().to(device) self.y = torch.tensor(y).float().to(device) def __getitem__(self, ix): return self.x[ix], self.y[ix] def __len__(self): return len(self.x) ``` 4. **定义数据集和数据加载器对象**： ```python ds = MyDataset(x, y) dl = DataLoader(ds, batch_size=2, shuffle=True) ``` 5. **使用 Sequential 方法定义模型架构**： ```python model = nn.Sequential( nn.Linear(2, 8), nn.ReLU(), nn.Linear(8, 1) ).to(device) ``` 这里 `nn.Linear(2, 8)` 接受二维输入并为每个数据点提供八维输出，`nn.ReLU()` 对八维输出执行 ReLU 激活，最后 `nn.Linear(8, 1)` 将八维输入转换为一维输出。 6. **打印模型摘要**： ```python # 安装并导入打印模型摘要的包 !pip install torch_summary from torchsummary import summary # 打印模型摘要 summary(model, torch.zeros(1, 2)) ``` 输出的第一层形状为 `(-1, 8)`，其中 `-1` 表示数据点数量可以和批量大小一样多，`8` 表示每个数据点有八维输出。后续层的解释类似。 7. **定义损失函数和优化器并训练模型**： ```python loss_func = nn.MSELoss() from torch.optim import SGD opt = SGD(model.parameters(), lr=0.001) import time loss_history = [] start = time.time() for _ in range(50): for ix, iy in dl: opt.zero_grad() loss_value = loss_func(model(ix), iy) loss_value.backward() o ```