实验17 PyTorch的开发流程与通用模板.pptxVIP

PyTorch的开发流程与通用模板实验17

课程学习目标掌握PyTorch的开发流程。学习如何使用PyTorch构建和训练简单的神经网络模型。

PyTorch开发流程1.准备数据读取数据，预处理、分析、可视化，划分训练集、验证集和测试集，封装成PyTorch数据加载器。2.定义模型使用torch.nn模块定义神经网络结构，包括层、激活函数、损失函数和优化器。4.评估模型使用torch.no_grad禁用梯度计算，评估模型性能，使用混淆矩阵、ROC曲线、AUC值分析模型。5.保存和加载模型使用torch.save和torch.load保存和加载模型参数或状态，以便跨设备或平台使用。3.训练模型使用torch.optim更新模型参数，torch.autograd自动计算梯度，遍历数据加载器，监控损失和准确率。

PyTorch的通用模板在本实验中，我们将学习如何使用PyTorch的开发流程来构建和训练一个简单的人工神经网络模型，用于对手写数字进行分类。我们将使用PyTorch自带的MNIST数据集，它包含了60000张28x28的灰度图片，每张图片对应一个0到9的数字标签。

1.导入库在开始实验之前，需要先导入PyTorch和其他需要用到的库，我们可以在Notebook的第一个单元格中输入以下的代码，并运行。

2.准备数据属性描述数据集来源由YannLeCun、CorinnaCortes和ChristopherJ.C.Burges等人创建数据集类型图像数据集数据集规模60,000个训练图像和10,000个测试图像数据集样本包含0到9的手写数字图像，每个数字有多个不同版本的样本图像尺寸28x28像素图像通道灰度图像（单通道）标签每个图像都有一个与之关联的标签，表示图像中的数字数据集用途用于机器学习和深度学习任务，特别是手写数字识别数据集特点1.数据简单且易于使用，适用于入门级和教育用途2.已被广泛用于图像分类、深度学习模型评估和基准测试数据集分割数据集通常分为训练集和测试集，以进行模型的训练和评估数据集下载可以通过PyTorch、TensorFlow等深度学习框架自动下载和加载本实验中，我们将使用PyTorch自带的MNIST（ModifiedNationalInstituteofStandardsandTechnology）手写数据集，它包含了60000张28x28的灰度图片，每张图片对应一个0到9的数字标签。

2.准备数据使用torchvision的datasets模块来下载和加载数据集，使用torch的utils.data模块创建数据加载器。

2.准备数据使用len()函数来查看数据加载器的长度，它表示数据加载器包含的批次的数量。从运行结果可以看到，训练集的长度是938，表示它包含了938个批次，每个批次有64张图片和64个标签，总共有约60000张图片和60000个标签。

2.准备数据使用matplotlib的imshow()函数来显示图片。例如，可以输入以下的代码来显示数据加载器的下一个批次的第一张图片和它的标签。

3.定义模型使用PyTorch的torch.nn模块来定义一个简单的人工神经网络模型，包括以下5部分。

3.定义模型

4.训练模型模型的训练流程图如下：

4.训练模型函数所属模块作用应用场景zero_grad()torch.optim清空优化器中的梯度缓存在每次梯度计算之前使用，以避免梯度累积backward()torch.autograd计算损失值的梯度在损失函数上调用，用于计算梯度step()torch.optim根据计算的梯度更新模型参数在梯度计算后调用，用于更新模型参数。item()Tensor获取Tensor中的标量值。从单元素张量中提取Python数值torch.max(tensor,dim)torch获取Tensor中的最大值和最大值的索引用于获取张量某维度的最大值及其索引位置。torch.sum(tensor)torch获取Tensor中的元素之和用于计算张量所有元素的累加和torch.eq(tensor1,tensor2)torch获取Tensor中的元素是否相等的布尔值比较两个张量的相等性，逐元素比较使用PyTorch的torch.optim模块和torch.autograd模块来实现模型的训练，其常用函数可参考左表。

4.训练模型模型训练的代码和结果如下：

4.训练模型模型训练的代码和结果如下：

5.评估模型01遍历数据加载器获取每个批次的数据和标签02送入模型预测得到输出的预测概率03计算损失值送入损失函数，得到损失值04累加损失和