### 使用 PyTorch 进行深度学习 #### 安装 PyTorch 为了开始使用 PyTorch，需先安装该库。可以通过官方文档获取最新的安装指南[^2]。 ```bash pip install torch torchvision torchaudio ``` #### 数据准备 在进行任何机器学习项目之前，准备好数据集至关重要。PyTorch 提供了 `torchvision.datasets` 来简化常用数据集的下载过程。对于自定义的数据集，则可能需要编写特定代码来读取并预处理这些数据。 ```python from torchvision import datasets, transforms transform = transforms.Compose([transforms.ToTensor()]) 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=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) ``` #### 构建神经网络 利用 PyTorch 的模块化设计，创建一个简单的全连接前馈神经网络相对容易。通过继承 `nn.Module` 类来自定义模型结构，并实现必要的层和激活函数。 ```python import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 500) self.fc2 = nn.Linear(500, 10) def forward(self, x): x = x.view(-1, 784) # 将输入展平为一维向量 x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=1) model = Net() ``` #### 定义损失函数和优化器 选择合适的损失函数以及有效的优化算法是训练成功的关键因素之一。这里选择了交叉熵作为分类任务中的标准损失度量方式；而对于优化部分则采用了随机梯度下降法(SGD)，当然也可以尝试其他更先进的技术如Adam等。 ```python criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) ``` #### 训练网络 一旦完成了上述准备工作之后就可以进入正式的训练环节，在此期间会反复迭代整个数据集多次（即epoch），每次更新参数以最小化所选的目标函数值。 ```python for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{n_total_steps}], Loss: {loss.item():.4f}') ``` #### 测试网络 完成训练后应当评估模型性能，通常是在独立于训练样本之外的一批验证集中执行预测操作，并计算准确率或其他评价指标。 ```python with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: 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: {} %'.format(100 * correct / total)) ``` #### 保存和加载模型 最后一步涉及持久化经过良好调校后的权重以便日后重用或部署到生产环境中去。这可通过简单地序列化状态字典至磁盘文件中得以实现。 ```python # Save Model torch.save(model.state_dict(), 'model.pth') # Load Model loaded_model = Net() loaded_model.load_state_dict(torch.load('model.pth')) loaded_model.eval() ```