解析PyTorch Mnist

一、什麼是PyTorch Mnist

The MNIST數據集是深度學習中最常見的基準測試數據之一。它由手寫數字構成，為黑白28×28像素圖像。Pytorch Mnist 是一個開源的深度學習庫，可以用於MNIST手寫數字數據集的分類。Pytorch Mnist以標準pytorch方式定義神經網絡並訓練模型。

二、PyTorch Mnist的使用

使用Pytorch Mnist非常方便。數據集可以從Pytorch預定義的數據集中讀取。這樣就可以不用從頭開始預處理數據。然後就可以定義模型並進行訓練。

import torch
import torch.nn.functional as F
from torch import nn, optim
from torchvision import datasets, transforms

#預定義數據集
transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize((0.5,), (0.5,)),
                              ])
trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

#定義模型
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden = nn.Linear(784, 256)
        self.output = nn.Linear(256, 10)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = F.softmax(self.output(x), dim=1)
        return x

model = Net()

#訓練模型
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.003)

for ep in range(5):
    running_loss = 0
    for images, labels in trainloader:
        images = images.view(images.shape[0], -1)
        optimizer.zero_grad()
        output = model(images)
        loss = criterion(output, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
    else:
        print(f"Training loss: {running_loss/len(trainloader)}")

三、PyTorch Mnist的結果

這段代碼將在MNIST數據集上訓練一個模型。我們可以看到，訓練損失將在每個epoch中輸出。在代碼中使用CrossEntropyLoss作為損失函數，學習率為0.003。在5個epochs之後，我們得到了一個非常簡單的模型，其表現完美地分類MNIST數據集。