用 PyTorch 实现一个简单的神经网络：从数据到预测

PyTorch 是目前最流行的深度学习框架之一，以其灵活性和易用性受到开发者的喜爱。本文将带你从零开始，用 PyTorch 实现一个简单的神经网络，用于解决经典的 MNIST 手写数字分类问题。我们将涵盖数据准备、模型构建、训练和预测的完整流程，并提供可运行的代码示例。

1. 环境准备

首先，确保你已安装 PyTorch 和相关依赖。本例使用 Python 3.8+ 和 PyTorch。你可以通过以下命令安装：

pip install torch torchvision

我们将使用 MNIST 数据集，它包含 28x28 像素的手写数字图像（0-9），目标是训练一个神经网络来识别这些数字。

2. 数据准备

MNIST 数据集可以通过 PyTorch 的 torchvision 模块直接加载。我们需要将数据加载为张量，并进行归一化处理以加速训练。

import torch
from torch.utils.data import DataLoader
from torchvision import datasets, transforms# 定义数据预处理：将图像转换为张量并归一化
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))  # MNIST 的均值和标准差
])# 加载 MNIST 数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

代码说明：

  • transforms.ToTensor() 将图像转换为 PyTorch 张量，并将像素值从 [0, 255] 缩放到 [0, 1]。

  • transforms.Normalize 标准化数据，加速梯度下降收敛。

  • DataLoader 用于批量加载数据，batch_size=64 表示每次处理 64 张图像。

3. 构建神经网络

我们将定义一个简单的全连接神经网络，包含两个隐藏层，适合处理 MNIST 的分类任务。

import torch.nn as nnclass SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.flatten = nn.Flatten()  # 将 28x28 图像展平为 784 维向量self.fc1 = nn.Linear(28 * 28, 128)  # 第一个全连接层self.relu = nn.ReLU()  # 激活函数self.fc2 = nn.Linear(128, 64)  # 第二个全连接层self.fc3 = nn.Linear(64, 10)   # 输出层，10 个类别（0-9）def forward(self, x):x = self.flatten(x)x = self.relu(self.fc1(x))x = self.relu(self.fc2(x))x = self.fc3(x)return x# 实例化模型
model = SimpleNN()

代码说明：

  • nn.Module 是 PyTorch 模型的基类，自定义模型需要继承它。

  • forward 方法定义了前向传播的计算流程。

  • 网络结构：输入层 (784) → 隐藏层1 (128) → ReLU → 隐藏层2 (64) → ReLU → 输出层 (10)。

4. 定义损失函数和优化器

我们使用交叉熵损失（适合分类任务）和 Adam 优化器来训练模型。

import torch.optim as optim# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

代码说明：

  • nn.CrossEntropyLoss 结合了 softmax 和负对数似然损失，适合多分类任务。

  • Adam 优化器以 0.001 的学习率更新模型参数。

5. 训练模型

接下来，我们训练模型 5 个 epoch，观察损失变化。

def train(model, train_loader, criterion, optimizer, epochs=5):model.train()  # 切换到训练模式for epoch in range(epochs):running_loss = 0.0for images, labels in train_loader:optimizer.zero_grad()  # 清零梯度outputs = model(images)  # 前向传播loss = criterion(outputs, labels)  # 计算损失loss.backward()  # 反向传播optimizer.step()  # 更新参数running_loss += loss.item()print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}")# 开始训练
train(model, train_loader, criterion, optimizer)

代码说明：

  • model.train() 启用训练模式（影响 dropout 和 batch norm 等层）。

  • 每次迭代清零梯度、计算损失、反向传播并更新参数。

  • 每轮 epoch 打印平均损失。

6. 测试模型

训练完成后，我们在测试集上评估模型的准确率。

def test(model, test_loader, criterion):model.  # 切换到评估模式correct = 0total = 0test_loss = 0.0with torch.no_grad():  # 禁用梯度计算for images, labels in test_loader:outputs = model(images)loss = criterion(outputs, labels)test_loss += loss.item()_, predicted = torch.max(outputs.data, 1)  # 获取预测类别total += labels.size(0)correct += (predicted == labels).sum().item()accuracy = 100 * correct / totalprint(f"Test Loss: {test_loss/len(test_loader):.4f}, Accuracy: {accuracy:.2f}%")# 测试模型
test(model, test_loader, criterion)

代码说明：

  • model. 切换到评估模式，禁用 dropout 等。

  • 使用 torch.no_grad() 减少内存消耗。

  • 计算测试集的损失和准确率。

7. 进行预测

最后，我们用训练好的模型对单张图像进行预测。

import matplotlib.pyplot as plt# 获取一张测试图像
dataiter = iter(test_loader)
images, labels = next(dataiter)
image, label = images[0], labels[0]# 预测
model.
with torch.no_grad():output = model(image.unsqueeze(0))  # 增加 batch 维度_, predicted = torch.max(output, 1)# 显示图像和预测结果
plt.imshow(image.squeeze(), cmap='gray')
plt.title(f"Predicted: {predicted.item()}, Actual: {label.item()}")
plt.savefig('prediction.png')  # 保存图像

代码说明：

  • 从测试集取一张图像，调用模型进行预测。

  • 使用 Matplotlib 显示图像及其预测结果，保存为 PNG 文件。

8. 完整代码

以下是完整的可运行代码，整合了上述所有步骤：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
import matplotlib.pyplot as plt# 数据准备
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))
])
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)# 定义模型
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.flatten = nn.Flatten()self.fc1 = nn.Linear(28 * 28, 128)self.relu = nn.ReLU()self.fc2 = nn.Linear(128, 64)self.fc3 = nn.Linear(64, 10)def forward(self, x):x = self.flatten(x)x = self.relu(self.fc1(x))x = self.relu(self.fc2(x))x = self.fc3(x)return x# 实例化模型、损失函数和优化器
model = SimpleNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练函数
def train(model, train_loader, criterion, optimizer, epochs=5):model.train()for epoch in range(epochs):running_loss = 0.0for images, labels in train_loader:optimizer.zero_grad()outputs = model(images)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}")# 测试函数
def test(model, test_loader, criterion):model.correct = 0total = 0test_loss = 0.0with torch.no_grad():for images, labels in test_loader:outputs = model(images)loss = criterion(outputs, labels)test_loss += loss.item()_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()accuracy = 100 * correct / totalprint(f"Test Loss: {test_loss/len(test_loader):.4f}, Accuracy: {accuracy:.2f}%")# 训练和测试
train(model, train_loader, criterion, optimizer)
test(model, test_loader, criterion)# 预测单张图像
dataiter = iter(test_loader)
images, labels = next(dataiter)
image, label = images[0], labels[0]
model.
with torch.no_grad():output = model(image.unsqueeze(0))_, predicted = torch.max(output, 1)
plt.imshow(image.squeeze(), cmap='gray')
plt.title(f"Predicted: {predicted.item()}, Actual: {label.item()}")
plt.savefig('prediction.png')

9. 总结

通过本文，可以了解到如何用 PyTorch 实现一个简单的神经网络，包括：

  • 加载和预处理 MNIST 数据集。

  • 构建一个全连接神经网络。

  • 使用交叉熵损失和 Adam 优化器进行训练。

  • 在测试集上评估模型性能。

  • 对单张图像进行预测并可视化结果。

这个模型虽然简单，但在 MNIST 数据集上通常能达到 95% 以上的准确率。可以进一步尝试调整网络结构（如增加层数）、优化超参数（如学习率）或使用卷积神经网络（CNN）来提升性能。希望这篇文章对你理解 PyTorch 和深度学习有所帮助！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/pingmian/91967.shtml
繁体地址，请注明出处：http://hk.pswp.cn/pingmian/91967.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

四级页表通俗讲解与实践（以 64 位 ARM Cortex-A 为例）

四级页表通俗讲解与实践（以 64 位 ARM Cortex-A 为例）

📖 🎥 B 站博文精讲视频：点击链接，配合视频深度学习 四级页表通俗讲解与实践（以 64 位 ARM Cortex-A 为例） 本文面向希望彻底理解现代 64 位架构下四级页表的开发者，结合 ARM Cortex-A 系列处理…
阅读更多...
AI模型整合包上线！一键部署ComfyUI，2.19TB模型全解析

AI模型整合包上线！一键部署ComfyUI，2.19TB模型全解析

最近体验了AIStarter平台上线的AI模型整合包，包含2.19TB ComfyUI大模型，整合市面主流模型，一键部署ComfyUI，省去重复下载烦恼！以下是使用心得和部署步骤，适合AI开发者参考。工具亮点这款AI模型整合包由熊哥…
阅读更多...
灰色优选模型及算法MATLAB代码

灰色优选模型及算法MATLAB代码

电子装备试验方案优选是一个典型的多属性决策问题，通常涉及指标复杂、信息不完整、数据量少且存在不确定性的特点。灰色系统理论（Grey System Theory）特别擅长处理“小样本、贫信息”的不确定性问题，因此非常适合用于此类方案的优…
阅读更多...
AI框架工具FastRTC快速上手6——视频流案例之物体检测（下）

AI框架工具FastRTC快速上手6——视频流案例之物体检测（下）

一 前言 上一篇，我们实现了用YOLO对图片上的物体进行检测，并在图片上框出具体的对象并打出标签。但只是应用在单张图片，且还没用上FastRTC。 本篇，我们希望结合FastRTC的能力，实现基于YOLO的实时视频流的物体检测。 本篇文字将不会太多。学习完本篇，对比前面的文章，你…
阅读更多...
PHP常见中高面试题汇总

PHP常见中高面试题汇总

一、 PHP部分 1、PHP如何实现静态化 PHP的静态化分为：纯静态和伪静态。其中纯静态又分为：局部纯静态和全部纯静态。 PHP伪静态：利用Apache mod_rewrite实现URL重写的方法； PHP纯静态，就是生成HTML文件的方式&#xff0…
阅读更多...
基于Java AI（人工智能）生成末日题材的实践

基于Java AI（人工智能）生成末日题材的实践

Java AI 生成《全球末日》文章的实例 使用Java结合AI技术生成《全球末日》题材的文章可以通过多种方式实现，包括调用预训练模型、使用自然语言处理库或结合生成式AI框架。以下是30个实例的生成方法和示例代码片段。 调用预训练模型（如GPT-3或GPT-4） 使用OpenAI API生成末日…
阅读更多...
针对软件定义车载网络的动态服务导向机制

针对软件定义车载网络的动态服务导向机制

我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 做到欲望极简，了解自己的真实欲望，不受外在潮流的影响，不盲从，不跟风。把自己的精力全部用在自己。一是去掉多余，凡事找规律，基础是诚信；二是…
阅读更多...
Pytorch实现婴儿哭声检测和识别

Pytorch实现婴儿哭声检测和识别

Pytorch实现婴儿哭声检测和识别 目录 Pytorch实现婴儿哭声检测识别 1. 项目说明 2. 数据说明 （1）婴儿哭声语音数据集 （2）自定义数据集 3. 模型训练 （1）项目安装 （2）准备Tra…
阅读更多...
海信IP810N／海信IP811N_海思MV320-安卓9.0主板-TTL烧录包-可救砖

海信IP810N／海信IP811N_海思MV320-安卓9.0主板-TTL烧录包-可救砖

海信IP810N／海信IP811N_海思MV320处理器-安卓9主板-TTL烧录包-可救砖准备工作：TTL线自备跑码工具【putty跑码中文版】路径：【工具大全】-【putty跑码中文版】测试跑码以后将跑码窗口关闭；然后到下方下载烧录工具并大致看下教程烧录…
阅读更多...
Go 中的 interface{} 与 Java 中的 Object：相似之处与本质差异

Go 中的 interface{} 与 Java 中的 Object：相似之处与本质差异

在软件系统开发中，“通用类型”的处理是各语言设计中不可忽视的一部分。Java 使用 Object，Go 使用 interface{}，它们都可以容纳任意类型的值，是实现动态行为或通用容器的基础类型。然而，虽然两者在使用层面看似相似&am…
阅读更多...
Docker-07.Docker基础-数据卷挂载

Docker-07.Docker基础-数据卷挂载

一.案例首先我们通过一则案例来引出问题。我们要修改nginx容器内的html目录下的index.html文件，并且要将静态资源部署到nginx的html目录，就要首先知道该html目录的所在位置。我们首先查看nginx镜像的帮助文档，这里就是将有关静态资源目录的&a…
阅读更多...
数据结构（三）双向链表

数据结构（三）双向链表

一、什么是 make 工具？make 是一个自动化构建工具，主要用于管理 C/C 项目的编译和链接过程。它通过读取 Makefile 文件中定义的规则，自动判断哪些文件被修改，并仅重新编译这些部分，从而大幅提高构建效率。二、什么是 M…
阅读更多...
如何在没有iCloud的情况下将联系人转移到新iPhone?

如何在没有iCloud的情况下将联系人转移到新iPhone?

升级到新 iPhone 后，设置已完成，想在不使用 iCloud 的情况下将联系人从 iPhone 转移到 iPhone 吗？别担心。还有其他 5 种方法可以帮助您轻松地将联系人转移到新 iPhone。这样，您就无需再次重置新设备了。第 1 部分：如何…
阅读更多...
SpringBoot3.x入门到精通系列：4.2 整合 Kafka 详解

SpringBoot3.x入门到精通系列：4.2 整合 Kafka 详解

SpringBoot 3.x 整合 Kafka 详解 🎯 Kafka简介 Apache Kafka是一个分布式流处理平台，主要用于构建实时数据管道和流应用程序。它具有高吞吐量、低延迟、可扩展性和容错性等特点。 核心概念 Producer: 生产者，发送消息到Kafka集群Consumer: 消…
阅读更多...
Android audio之 AudioDeviceInventory

Android audio之 AudioDeviceInventory

1. 类介绍 AudioDeviceInventory 是 Android 音频系统中的一个核心类，位于 frameworks/base/services/core/java/com/android/server/audio/ 路径下。它负责 管理所有音频设备的连接状态，包括设备的添加、移除、状态更新以及策略应用。 设备连接状态管理：记录所有已连接的音…
阅读更多...
系统设计入门：成为更优秀的工程师

系统设计入门：成为更优秀的工程师

系统设计入门指南 动机 现在你可以学习如何设计大规模系统，为系统设计面试做准备。本指南包含的是一个有组织的资源集合，旨在帮助你了解如何构建可扩展的系统。 学习设计大规模系统 学习如何设计可扩展系统将帮助你成为更优秀的工程师。系统设计是一个…
阅读更多...
Pandas数据分析工具基础

Pandas数据分析工具基础

文章目录 0. 学习目标 1. Pandas的数据结构分析 1.1 Series - 序列 1.1.1 Series概念 1.1.2 Series类的构造方法 1.1.3 创建Series对象 1.1.3.1 基于列表创建Series对象 1.1.3.2 基于字典创建Series对象 1.1.4 获取Series对象的数据 1.1.5 Series对象的运算 1.1.6 增删Series对…
阅读更多...
大模型——Qwen开源会写中文的生图模型Qwen-Image

大模型——Qwen开源会写中文的生图模型Qwen-Image

Qwen开源会写中文的生图模型Qwen-Image 会写中文，这基本上是开源图片生成模型的独一份了。 这次开源的Qwen-Image 的最大卖点是“像素级文字生成”。它能直接在像素空间内完成排版：从小字注脚到整版海报均可清晰呈现，且同时支持英文字母与汉字。 以下图片均来自官网的生成…
阅读更多...
大模型知识库（1）京东云 JoyAgent介绍

大模型知识库（1）京东云 JoyAgent介绍

一、核心定位​ JoyAgent 是京东云推出的 ​首个 100% 开源的企业级多智能体平台，定位为“可插拔的智能发动机”，旨在通过开箱即用的产品级能力，降低企业部署智能体的门槛。其特点包括： ​完整开源​：前端&#xff0…
阅读更多...
PowerShell 入门2: 使用帮助系统

PowerShell 入门2: 使用帮助系统

PowerShell 入门 2：使用帮助系统 🎯 一、认识 PowerShell 帮助系统 1. 使用 Get-Help 查看命令说明 Get-Help Get-Service或使用别名： gsv2. 更新帮助系统 Update-Help3. 搜索包含关键词的命令（模糊搜索） Help *log*&a…
阅读更多...
最新文章

Copyright @ 2022~2023