10分钟快速入门 PyTorch (2) – 逻辑回归

PyTorch入门实战教程

上一节介绍了简单的线性回归,如何在pytorch里面用最小二乘来拟合一些离散的点,这一节我们将开始简单的logistic回归,介绍图像分类问题,使用的数据是手写字体数据集MNIST。

logistic回归

logistic回归简单来说和线性回归是一样的,要做的运算同样是 y = w * x b,logistic回归简单的是做二分类问题,使用sigmoid函数将所有的正数和负数都变成0-1之间的数,这样就可以用这个数来确定到底属于哪一类,可以简单的认为概率大于0.5即为第二类,小于0.5为第一类。

y = \frac{1}{1 e^{-x}}

这就是sigmoid的图形

而我们这里要做的是多分类问题,对于每一个数据,我们输出的维数是分类的总数,比如10分类,我们输出的就是一个10维的向量,然后我们使用另外一个激活函数,softmax

这就是softmax函数作用的机制,其实简单的理解就是确定这10个数每个数对应的概率有多大,因为这10个数有正有负,所以通过指数函数将他们全部变成正数,然后求和,然后这10个数每个数都除以这个和,这样就得到了每个类别的概率。

Code

data

首先导入torch里面专门做图形处理的一个库,torchvision,根据官方安装指南,你在安装pytorch的时候torchvision也会安装。

我们需要使用的是torchvision.transforms和torchvision.datasets以及torch.utils.data.DataLoader

首先DataLoader是导入图片的操作,里面有一些参数,比如batch_size和shuffle等,默认load进去的图片类型是PIL.Image.open的类型,如果你不知道PIL,简单来说就是一种读取图片的库

torchvision.transforms里面的操作是对导入的图片做处理,比如可以随机取(50, 50)这样的窗框大小,或者随机翻转,或者去中间的(50, 50)的窗框大小部分等等,但是里面必须要用的是transforms.ToTensor(),这可以将PIL的图片类型转换成tensor,这样pytorch才可以对其做处理

torchvision.datasets里面有很多数据类型,里面有官网处理好的数据,比如我们要使用的MNIST数据集,可以通过torchvision.datasets.MNIST()来得到,还有一个常使用的是torchvision.datasets.ImageFolder(),这个可以让我们按文件夹来取图片,和keras里面的flow_from_directory()类似,具体的可以去看看官方文档的介绍。

以上就是我们对图片数据的读取操作

model

之前讲过模型定义的框架,废话不多说,直接上代码

我们需要向这个模型传入参数,第一个参数定义为数据的维度,第二维数是我们分类的数目。

接着我们可以在gpu上跑模型,怎么做呢?

首先可以判断一下你是否能在gpu上跑

如果返回True就说明有gpu支持

接着你只需要一个简单的命令就可以了

然后需要定义loss和optimizer

这里我们使用的loss是交叉熵,是一种处理分类问题的loss,optimizer我们还是使用随机梯度下降

train

接着就可以开始训练了

注意我们如果将模型放到了gpu上,相应的我们的Variable也要放到gpu上,也很简单

然后可以测试模型,过程与训练类似,只是注意要将模型改成测试模式

这是跑完100 epoch的结果

具体的结果多久打印一次,如何打印可以自己在for循环里面去设计。

本文代码已经上传到了github上。

文章来源:知乎专栏

PyTorch入门实战教程
除特别注明外,本站所有文章均为 PyTorch 中文网原创,转载请注明出处:https://www.pytorchtutorial.com/10-minute-pytorch-2/

Leave a Reply

Your email address will not be published. Required fields are marked *

9条评论

  1. 其实有个很尴尬的一点,由于模型结构过于简单,导致训练过程中大部分时间都花在了CPU和GPU的数据传输上,所以最后其实针对本节的logistic模型,用CPU其实比用GPU加速还快点 😆

    1. you must mul 100
      print(‘[{}/{}] Loss: {:.6f}, Acc: {:.6f}’.format(
      epoch + 1, num_epoches, running_loss / (batch_size * i),
      running_acc *100/ (batch_size * i)))

      print(‘Test Loss: {:.6f}, Acc: {:.6f}’.format(eval_loss / (len(
      test_dataset)), eval_acc*100 / (len(test_dataset))))

返回顶部