简单的全连接层

导入相应库

import torch
import numpy as np
from torch import nn,optim
from torch.autograd import Variable
import matplotlib.pyplot as plt
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

读入数据并转为tensor向量

# 训练集
# 转为tensor数据
train_dataset = datasets.MNIST(root='./',train=True, transform = transforms.ToTensor(), download=True)
test_dataset = datasets.MNIST(root='./',train=False, transform = transforms.ToTensor(), download=True)

装载数据集

# 批次大小
batch_size = 64# 装载训练集
train_loader = DataLoader(dataset = train_dataset, batch_size=batch_size, shuffle = True)
test_loader = DataLoader(dataset = test_dataset, batch_size=batch_size, shuffle = True)

定义网络结构
一层全连接网络，最后使用softmax转概率值输出

# 定义网络结构
class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.fc1 = nn.Linear(784, 10)self.softmax = nn.Softmax(dim =1)def forward(self, x):# [64,1,28,28] ——> [64, 784]x = x.view(x.size()[0], -1)x = self.fc1(x)x = self.softmax(x)return x   

定义模型
使用均方误差损失函数，梯度下降优化

# 定义模型
model = Net()
mes_loss = nn.MSELoss()
optimizer = optim.SGD(model.parameters(),0.5)

训练并测试网络：
训练时注意最后输出(64,10)
标签是(64) ，需要将其转为one-hot编码(64,10)

def train():for i,data in enumerate(train_loader):# 获得一个批次的数据和标签inputs, labels = data# 获得模型结果 (64,10)out = model(inputs)# to one-hot 把数据标签变为独热编码labels = labels.reshape(-1,1)one_hot = torch.zeros(inputs.shape[0],10).scatter(1, labels, 1)# 计算lossloss = mes_loss(out, one_hot)# 梯度清0optimizer.zero_grad()# 计算梯度loss.backward()# 修改权值optimizer.step()def test():correct = 0for i,data in enumerate(test_loader):# 获得一个批次的数据和标签inputs, labels = data# 获得模型结果 (64,10)out = model(inputs)# 获取最大值和最大值所在位置_,predicted = torch.max(out,1)# 预测正确数量correct += (predicted == labels).sum()print("test ac:{0}".format(correct.item()/len(test_dataset)))

调用模型 训练10次

# 使用mse损失函数 
for epoch in range(10):print("epoch:",epoch)train()test()

训练结果：

准确率不够