导入需要的库

import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
import torchvision
from torch.utils import data
from torchvision import transforms

获取和读取数据

def get_dataloader_workers():
    if sys.platform.startswith('win'):
        return 0
    else:
        return 4

def load_data_fashion_mnist(batch_size, resize=None): 
    # 下载Fashion-MNIST数据集，然后将其加载到内存中，返回训练集和测试集的数据迭代器
    mnist_train = torchvision.datasets.FashionMNIST(root="data", train=True, transform=transforms.ToTensor(), download=True)
    mnist_test = torchvision.datasets.FashionMNIST(root="data", train=False, transform=transforms.ToTensor(), download=True)
    return (data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers()),
            data.DataLoader(mnist_test, batch_size, shuffle=False, num_workers=get_dataloader_workers()))

batch_size = 256
train_iter, test_iter = load_data_fashion_mnist(batch_size)

定义和初始化模型

softmax回归的输出层是一个全连接层，所以用一个线性模块就可以了。

num_inputs = 28*28*1
num_outputs = 10

class LinearNet(nn.Module):
    def __init__(self, num_inputs, num_outputs):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(num_inputs, num_outputs) # nn.Linear(input_size, output_size), 该线性层的输入特征数为num_inputs，输出特征数为1
  
    def forward(self, x): # 前面数据返回的每个batch样本x的形状为(batch_size, 1, 28, 28), 要先用view()将x的形状转换成(batch_size, 784)才送入全连接层。
        y = self.linear(x.view(x.shape[0], -1)) # 等价于 y = xw + b
        return y

net = LinearNet(num_inputs, num_outputs)

# 用OrederedDict定义网络
# class FlattenLayer(nn.Module):
#     def __init__(self):
#         super(FlattenLayer, self).__init__()
#     def forward(self, x): 
#         return x.view(x.shape[0], -1) # x 的形状转换成(batch, 784)，x.shape[0]表示batch_size，-1表示自动推测


# from collections import OrderedDict

# net = nn.Sequential(
#     OrderedDict([ # 是一个有序字典
#         ('flatten', FlattenLayer()), # 将输入x展平
#         ('linear', nn.Linear(num_inputs, num_outputs)) # 全连接层
#     ])
# )

初始化模型参数：

init.normal_(net.linear.weight, mean=0, std=0.01) # 正态分布初始化
init.constant_(net.linear.bias, val=0) 

softmax和交叉熵损失函数

分开定义softmax运算和交叉熵损失函数可能会造成数值不稳定。PyTorch提供了一个包括softmax运算和交叉熵损失计算的函数。它的数值稳定性更好。

loss = nn.CrossEntropyLoss() # 交叉熵损失函数，其中包括softmax运算和交叉熵损失计算
# 先用softmax运算得到类别的概率分布，再用交叉熵损失计算得到交叉熵损失

定义优化算法

optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 调用optim实例的step函数来迭代模型参数
# net.parameters()返回一个包含模型所有参数的生成器，每个参数是一个tensor

训练模型

def evaluate_accuracy(data_iter, net):
    acc_sum, n = 0.0, 0
    for X, y in data_iter: # X是图像，y是标签，数量为batch_size
        acc_sum += (net(X).argmax(dim=1) == y).float().sum().item() # net(X) 返回预测概率，argmax(dim=1)返回概率最大的类别，与标签y比较
        n += y.shape[0] # y.shape[0]是y的行数，也就是batch_size
    return acc_sum / n # 返回正确率

def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params=None, lr=None, optimizer=None): 
    for epoch in range(num_epochs):  # 训练模型一共需要num_epochs个迭代周期
        train_l_sum, train_acc_sum, n = 0.0, 0.0, 0 # 训练损失总和，训练准确度总和，样本数
        for X, y in train_iter: # X是图像，y是标签，数量为batch_size
            y_hat = net(X) # 预测概率
            l = loss(y_hat, y).sum() # 计算损失，sum()将所有loss值相加得到一个标量
            optimizer.zero_grad() # 梯度清零
            l.backward() # 计算梯度
            optimizer.step()  # 更新模型参数

            train_l_sum += l.item() # 将当前批次loss值相加得到一个总的loss值
            train_acc_sum += (y_hat.argmax(dim=1) == y).sum().item() # 计算总准确率
            n += y.shape[0] # y.shape[0]是y的行数，也就是batch_size，计算总样本数

        test_acc = evaluate_accuracy(test_iter, net) # 计算测试集准确率
        print('周期 %d, 损失 %.4f, 数据集准确率 %.3f, 测试集准确率 %.3f'
              % (epoch + 1, train_l_sum / n, train_acc_sum / n, test_acc))


# 训练模型
num_epochs = 5
train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)