[chapter 26][PyTorch][MNIST 测试实战】

前言

      这里面结合手写数字识别的例子，讲解一下训练时候注意点

目录

1.  训练问题
2. 解决方案
3. 参考代码

   一  训练问题

   训练的时候,我们的数据集分为Train Data 和 validation Data。

随着训练的epoch次数增加，我们发现Train Data 上精度

先逐步增加，但是到一定阶段就会出现过拟合现象。

validation Data 上面不再稳定，反而出现下降的趋势,泛化能力变差.

二  解决方案

   test once serveral batch(几个batch,验证一次）

   test once per epoch（每一轮训练完后，验证一次）

    test once serveral epoch（几轮训练后，验证一次）

   当发现验证集acc到达一定精度，且下降后，停止训练

    三  参考代码

# -*- coding: utf-8 -*-
"""
Created on Mon Apr 10 21:51:21 2023@author: cxf
"""import torch
import torch.nn.functional as Fdef validation():logits = torch.rand(6,10)pred = F.softmax(logits, dim=1)print(pred.shape)pred_label= pred.argmax(dim=1)print(pred_label)label= torch.tensor([0,1,2,3,4,5])N = label.shape[0]correct = torch.eq(pred_label, label)print(correct)acc = correct.sum().float().item()/Nprint("\\n acc %f"%acc)validation()

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transforms#超参数
batch_size=200
learning_rate=0.01
epochs=10#获取训练数据
train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,          #train=True则得到的是训练集transform=transforms.Compose([                 #transform进行数据预处理transforms.ToTensor(),                     #转成Tensor类型的数据transforms.Normalize((0.1307,), (0.3081,)) #进行数据标准化(减去均值除以方差)])),batch_size=batch_size, shuffle=True)                          #按batch_size分出一个batch维度在最前面,shuffle=True打乱顺序#获取测试数据
test_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=False, transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))])),batch_size=batch_size, shuffle=True)class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()# 定义网络的每一层，nn.ReLU可以换成其他激活函数，比如nn.LeakyReLU()self.model = nn.Sequential(     nn.Linear(784, 200),nn.ReLU(inplace=True),nn.Linear(200, 200),nn.ReLU(inplace=True),nn.Linear(200, 10),nn.ReLU(inplace=True),)def forward(self, x):x = self.model(x)return xdevice = torch.device('cuda:0')                     #使用第一张显卡
net = MLP().to(device)
# 定义sgd优化器,指明优化参数、学习率
# net.parameters()得到这个类所定义的网络的参数[[w1,b1,w2,b2,...]
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)for epoch in range(epochs):for batch_idx, (data, target) in enumerate(train_loader):data = data.view(-1, 28*28).to(device)          # 将二维的图片数据摊平[样本数,784]target = target.to(device)logits = net(data)                  # 前向传播loss = criteon(logits, target)       # nn.CrossEntropyLoss()自带Softmaxoptimizer.zero_grad()                # 梯度信息清空loss.backward()                      # 反向传播获取梯度optimizer.step()                     # 优化器更新if batch_idx % 100 == 0:             # 每100个batch输出一次信息print('Train Epoch: {} [{}/{} ({:.0f}%)]\\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), len(train_loader.dataset),100. * batch_idx / len(train_loader), loss.item()))test_loss = 0correct = 0                                         # correct记录正确分类的样本数for data, target in test_loader:data = data.view(-1, 28 * 28).to(device)target = target.to(device)logits = net(data)test_loss += criteon(logits, target).item()     # 其实就是criteon(logits, target)的值，标量pred = logits.data.max(dim=1)[1]                # 也可以写成pred=logits.argmax(dim=1)correct += pred.eq(target.data).sum()test_loss /= len(test_loader.dataset)print('\\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\\n'.format(test_loss, correct, len(test_loader.dataset),100. * correct / len(test_loader.dataset)))

参考：

    课时53 MNIST测试实战_哔哩哔哩_bilibili

https://www.cnblogs.com/douzujun/p/13323078.html