手动实现前馈神经网络代码：零基础也可以编写前馈神经网络代码

威哥 2023-02-21 23:46:03 866

手动实现前馈神经网络代码：零基础也可以编写前馈神经网络代码python -V输出应该是Python 3.6.3或更高版本2. 通过在控制台的命令行检查Python安装的正确性：链接：https://www.python.org/downloads/PyTorch （安装）链接：http://pytorch.org/

从今天开始，通过PyTorch，你将能够开发和构建一个前馈神经网络（FNN）。这里是FNN的Python jupyter代码库：https://github.com/yhuag/neural-network-lab

手动实现前馈神经网络代码：零基础也可以编写前馈神经网络代码(1)

本篇指南作为一个基本的实践工作，旨在引导你从头开始构建神经网络。但是大部分数学概念都被忽略了。你可以自己自由学习那部分内容。

开始着手（准备工作）

1. 请确保你的机器上安装了Python和PyTorch：

Python 3.6（安装）

链接：https://www.python.org/downloads/
PyTorch （安装）

链接：http://pytorch.org/

2. 通过在控制台的命令行检查Python安装的正确性：

python -V

输出应该是Python 3.6.3或更高版本

3. 打开一个repository（文件夹）并创建你的第一个神经网络文件：

mkdir fnn-tuto cd fnn-tuto touch fnn.py开始编写代码

所有下面的代码应该写在fnn.py文件中

导入PyTorch

import torch import torch.nn as nn import torchvision.datasets as dsets import torchvision.transforms as transforms from torch.autograd import Variable

这可以把PyTorch加载到代码中。这是我们编程的开端，良好的开端是成功的一半。

初始化超参数（Hyper-parameters）

超参数是预先设置的强大参数，不会随着神经网络的训练而更新，设置如下。

下载MNIST数据集

MNIST是一个手写数字（即0到9）的大型数据库，旨在用于图像处理研究。

train_dataset = dsets.MNIST(root='./data' train=True transform=transforms.ToTensor() download=True) test_dataset = dsets.MNIST(root='./data' train=False transform=transforms.ToTensor())

加载数据集

下载MNIST数据集后，我们将它们加载到我们的代码中。

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)

注意：我们对train_dataset的加载过程进行了调整，以使学习过程独立于数据顺序，但是test_loader的顺序仍然是检查我们是否能够处理未指定顺序的输入。

手动实现前馈神经网络代码：零基础也可以编写前馈神经网络代码(2)

构建前馈神经网络

现在我们已经准备好了数据集。我们将开始构建神经网络。图结构可以解释如下：图片来源： http://web.utk.edu/

前馈神经网络模型结构

FNN包括两个全连接层(即fc1和fc2)和一个介于两者之间的非线性ReLU层。通常我们称这个结构为1-hidden layer FNN（含有一个隐藏层的前馈神经网络），但是并不把输出层(fc2)算在其中。

通过运行正向传递，输入图像(x)可以通过神经网络并生成一个输出(out)，说明它属于10个类中的每个类的概率。例如，一张猫的图像可以有0.8的可能性是狗类和0.3的可能性是飞机类。

class net(nn.Module): def __init__(self input_size hidden_size num_classes): super(Net self).__init__() # Inherited from the parent class nn.Module self.fc1 = nn.Linear(input_size hidden_size) # 1st Full-Connected Layer: 784 (input data) -> 500 (hidden node) self.relu = nn.ReLU() # Non-Linear ReLU Layer: max(0 x) self.fc2 = nn.Linear(hidden_size num_classes) # 2nd Full-Connected Layer: 500 (hidden node) -> 10 (output class) def forward(self x): # Forward pass: stacking each layer together out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out

实例化FNN

我们现在根据我们的结构创建一个真正的FNN。

net = Net(input_size hidden_size num_classes)

启用GPU

注意：你可以启用这一行来运行GPU上的代码。

# net.cuda() # You can comment out this line to disable GPU

选择损失函数和优化器

损失函数(准则)决定了如何将输出与类进行比较，这决定了神经网络的性能好坏。优化器选择了一种方法来更新权重，以收敛于这个神经网络中的最佳权重。

criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(net.parameters() lr=learning_rate)

训练FNN模型

此过程可能需要大约3到5分钟，具体取决于您的机器。详细解释请看如下代码中的注释（＃）。

for epoch in range(num_epochs): for i (images labels) in enumerate(train_loader): # Load a batch of images with its (index data class) images = Variable(images.view(-1 28*28)) # Convert torch tensor to Variable: change image from a vector of size 784 to a matrix of 28 x 28 labels = Variable(labels) optimizer.zero_grad() # Intialize the hidden weight to all zeros outputs = net(images) # Forward pass: compute the output class given a image loss = criterion(outputs labels) # Compute the loss: difference between the output class and the pre-given label loss.backward() # Backward pass: compute the weight optimizer.step() # Optimizer: update the weights of hidden nodes if (i 1) % 100 == 0: # Logging print('Epoch [%d/%d] Step [%d/%d] Loss: %.4f' %(epoch 1 num_epochs i 1 len(train_dataset)//batch_size loss.data[0]))

测试FNN模型

类似于训练神经网络，我们还需要加载批量的测试图像并收集输出。不同之处在于：

1. 没有损失和权重的计算

2. 没有权重的更新

3. 有正确的预测计算

correct = 0 total = 0 for images labels in test_loader: images = Variable(images.view(-1 28*28)) outputs = net(images) _ predicted = torch.max(outputs.data 1) # Choose the best class from the output: The class with the best score total = labels.size(0) # Increment the total count correct = (predicted == labels).sum() # Increment the correct count print('Accuracy of the network on the 10K test images: %d %%' % (100 * correct / total))