### 如何用PyTorch快速实现一个简单的小型项目 #### 导入必要的库 要开始任何PyTorch项目，首先需要导入一些基本的库。这些库提供了创建和训练神经网络所需的功能。 ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms ``` #### 定义数据预处理方式 对于图像分类任务来说，通常会对输入的数据做一些标准化操作，这有助于提高模型的学习效果。 ```python transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) ``` #### 加载并准备数据集 这里以MNIST手写数字识别为例，这是一个非常适合初学者练习的经典数据集。 ```python 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 = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=1000, shuffle=False) ``` #### 构建简单的卷积神经网络(CNN)模型 定义一个基础版本的CNN架构，它由两个卷积层组成，后面接全连接层来进行最终分类预测。 ```python class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1) self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1) self.fc1 = nn.Linear(7*7*64, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = F.relu(F.max_pool2d(self.conv1(x), 2)) x = F.relu(F.max_pool2d(self.conv2(x), 2)) x = x.view(-1, 7*7*64) x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=1) ``` #### 设置损失函数与优化器 选择交叉熵作为损失函数，并采用随机梯度下降法(SGD)作为参数更新的方法之一。 ```python model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) ``` #### 训练过程 编写循环来迭代整个训练集，在每次epoch结束时打印当前loss值以便观察收敛情况。 ```python epochs = 5 for epoch in range(epochs): running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() # 清除之前的梯度信息 outputs = model(images) # 前向传播计算输出 loss = criterion(outputs, labels) # 根据真实标签计算损失 loss.backward() # 反向传播求解梯度 optimizer.step() # 更新权重 running_loss += loss.item() print(f'Epoch {epoch+1}/{epochs}, Loss: {running_loss/len(train_loader)}') ``` #### 测试模型准确性 最后一步是对测试集中未见过的数据进行推理，以此衡量所建立模型的好坏程度。 ```python correct = 0 total = 0 with torch.no_grad(): for data in test_loader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` 上述代码展示了如何利用PyTorch搭建起一套完整的机器学习工作流——从加载数据到构建模型再到评估其表现[^1]。