Tensor处理与MNIST准确率优化等问题-CSDN博客

《算法与编程之美》技术专栏荣获2020年腾讯云+社区“人气作者”优秀专栏，2021年荣获“CSDN博客专家”称号，全网累计阅读量突破100万人次。

1 问题

关于if __name__ == '__main__'。
如果tensor有多个值比如X,那么怎么将X转移到CPU呢?
探索提升MNIST数据集的准确率。

2 方法
一．关于if __name__ == '__main__' 的作用
一个python文件通常有两种使用方法,第一是作为脚本直接执行,第二是 import到其他的python脚本中被调用执行。因此 if __name__ == '__main__': 的作用就是控制这两种情况执行代码的过程,在 if __name__ == '__main__': 下的代码只有在文件作为脚本直接执行时才会被执行，而 import 到其他脚本中是不会被执行的。

if ‘__name__’==’__main__’:
# 这里的代码只会在直接运行这个脚本时执行
# 而不会在被导入到其他脚本时执行
main_function()

这样可以确保在导入模块时不会执行不需要的代码，而只有在直接运行脚本时才会执行特定的功能。
二．如果tensor有多个值比如X,那么怎么将X转移到CPU呢？
1. 对于单个张量X，使用`.to()`方法将其移到CPU上：

X = X.to(‘cpu’)

2. 对于多个张量的集合X，你可以使用循环或列表推导式来将它们全部移到CPU上：

list_of_tensors=[tensor1,tensor2,tensor3] # 一个包含多个张量的列表

list_of_tensors_on_cpu = [t.to('cpu') for t in list_of_tensors]

这将遍历列表中的每个张量，并将它们都移到CPU上。

如果你的张量位于GPU上，你还可以使用`.cpu()`方法将其移到CPU：

X = X.cpu()

三．探索提升MNIST数据集的准确率。

使用深层神经网络
使用深度卷积神经网络(CNNs)可以提高性能。你可以使用PyTorch或TensorFlow等框架构建深层网络，包括多个卷积层和全连接层。

import torch
import torch.nn as nn
import torch.optim as optim
# 定义深层卷积神经网络
class DeepCNN(nn.Module):
def __init__(self):
super(DeepCNN, self).__init()
self.conv1 = nn.Conv2d(1, 32, 3)
self.conv2 = nn.Conv2d(32, 64, 3)
self.fc1 = nn.Linear(64 * 5 * 5, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
# 定义前向传播
# 创建模型、损失函数和优化器
model = DeepCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
…

数据增强

应用数据增强技术，如旋转、平移、缩放或添加噪声，以扩充训练数据集。这有助于模型更好地学习。

from tensorflow.keras.preprocessing.image import ImageDataGenerator
# 创建数据增强生成器
datagen = ImageDataGenerator(rotation_range=10,
width_shift_range=0.1,
height_shift_range=0.1,
zoom_range=0.1,
shear_range=0.1,
horizontal_flip=True)
# 应用数据增强到训练数据
datagen.fit(x_train)
# 训练模型时使用增强后的数据
…

3.此外，提高MNIST数据集的准确率还有调整模型架构，尝试不同的网络架构，例如添加更多卷积层、使用更多神经元或调整层的结构。正则化，应用正则化技术，如L2正则化或Dropout，以减小过拟合，这有助于模型更好地泛化到未见过的数据等。

3 结语

本次对实验中出现if __name__ == '__main__'报错的相关问题，知道了该代码只有在py文件作为脚本直接执行时才会被执行，而 import 到其他脚本中是不会被执行的，所以在调用脚本时需要输入调用。对于tensor转移到CPU上运行，对于单个张量可直接进行转移，多个张量可采用循环或列表推导式。关于提升MNIST数据集的准确率涉及到使用更复杂的模型、调整超参数、数据增强等方法。