深度学习教程之基于代码一步一步教你机器学习中多层感知器(MLP)的原理

评论201

当谈到基于MLP（多层感知器）的机器学习例子时，一个常见的任务是使用MLP对手写数字进行分类。MLP是一种前馈神经网络，它由多个全连接层组成。以下是一个基于MLP的手写数字分类例子，并给每一行添加了详细注释：

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

# 设置随机种子，以便结果可复现
torch.manual_seed(42)

# 定义数据预处理的管道
transform = transforms.Compose([
    transforms.ToTensor(),                           # 将图像转换为张量
    transforms.Normalize((0.5,), (0.5,))             # 归一化
])

# 加载并预处理MNIST数据集
trainset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)

testset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False)

首先，我们导入必要的库和模块，包括PyTorch、torchvision和torchvision.transforms。然后，我们设置了随机种子，以确保结果的可重现性。

接下来，我们定义了一个数据预处理的管道transform。在这个例子中，我们将图像转换为张量，并进行归一化处理。

然后，我们使用torchvision.datasets.MNIST加载MNIST手写数字数据集。通过设置root指定数据集的存储路径，train=True表示加载训练集，download=True表示如果数据集不存在，则下载数据集。我们还传入了之前定义的数据预处理管道transform。

通过torch.utils.data.DataLoader，我们创建了训练集和测试集的数据加载器。batch_size参数指定每个批次的样本数量，shuffle=True表示在每个epoch中打乱数据。

# 定义MLP模型
class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128)             # 全连接层，输入大小为28*28，输出大小为128
        self.relu = nn.ReLU()                          # ReLU激活函数
        self.fc2 = nn.Linear(128, 10)                   # 全连接层，输入大小为128，输出大小为10（类别数）

    def forward(self, x):
        x = x.view(x.size(0), -1)                       # 展平输入张量
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

我们定义了一个简单的MLP模型。这个MLP模型包含了两个全连接层（fc1和fc2），并使用ReLU激活函数。

在__init__方法中，我们定义了模型的各个层次和参数。第一个全连接层的输入大小为28*28（输入图像的像素数），输出大小为128。第二个全连接层的输入大小为128，输出大小为10（类别数）。

在forward方法中，我们定义了模型的前向传播过程。我们首先将输入张量展平成一维向量，然后通过第一个全连接层和ReLU激活函数得到特征表示，最后通过第二个全连接层获得输出。

# 实例化模型和损失函数
net = MLP()
criterion = nn.CrossEntropyLoss()                    # 交叉熵损失函数
optimizer = optim.SGD(net.parameters(), lr=0.01)      # 随机梯度下降优化器

我们实例化了之前定义的MLP模型，并定义了损失函数和优化器。在这个例子中，我们使用交叉熵损失函数和随机梯度下降（SGD）优化器。

# 训练模型
for epoch in range(5):                               # 进行5个epoch的训练
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()

        # 前向传播、反向传播、优化
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 1000 == 999:
            print(f'[{epoch + 1}, {i + 1}] loss: {running_loss / 1000:.3f}')
            running_loss = 0.0

print('Finished training')

在训练阶段，我们使用训练集对模型进行训练。我们遍历数据加载器中的每个批次，将输入数据和标签加载到设备上。然后，我们将梯度缓存清零（通过optimizer.zero_grad()），执行前向传播、反向传播和优化步骤。损失函数用于计算输出和标签之间的损失，并通过反向传播计算梯度。优化器根据梯度更新模型的参数。我们还计算并打印出每个epoch的平均损失。

# 在测试集上评估模型
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)      # 获取每个样本预测的类别索引
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f'Accuracy on the test set: {100 * correct / total:.2f}%')

在测试阶段，我们使用测试集对训练好的模型进行评估。对于每个样本，我们计算模型的输出并找到最高分数对应的类别索引。然后，我们将预测结果与真实标签进行比较，计算分类正确的样本数。最后，我们计算并打印出模型在测试集上的准确率。

这个基于MLP的手写数字分类例子展示了如何使用深度学习来解决实际问题。通过构建一个MLP模型并对其进行训练，我们能够对手写数字进行分类，并获得模型在测试集上的准确率评估。多层感知器多层感知器多层感知器

发表评论

匿名网友