3.8 mnist简单数据识别-LSTM
# RNN LSTM
import numpy as np
from torch import nn,optim
from torch.autograd import Variable
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
import torch
# 训练集
train_dataset=datasets.MNIST(root='./',train=True,transform=transforms.ToTensor(),download=True)
# 测试集
test_dataset=datasets.MNIST(root='./',train=False,transform=transforms.ToTensor(),download=True)
# 批次大小
batch_size =64
# 装载训练集
train_loader= DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
# 装载测试集
test_loader= DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=True)
for i,data in enumerate(train_loader):
inputs,labels=data
print(inputs.shape)
print(labels.shape)
break
## torch.Size([64, 1, 28, 28])
## torch.Size([64])
# 定义网络结构
# input_size输入特征的大小
# hidden_size LSTM模块的数量
# num_layer LSTM的层数
# LSTM默认input(seq_len,batch,feature)
# batch_first=True 调整input为input(batch,seq_len,feature)
class LSTM(nn.Module):
def __init__(self):
super(LSTM,self).__init__()
self.lstm=torch.nn.LSTM(
input_size=28,
hidden_size=64,
num_layers=1,
batch_first=True
)
# 全连接层
self.out=torch.nn.Linear(in_features=64,out_features=10)
self.softmax=torch.nn.Softmax(dim=1)
def forward(self,x):
# batch_first=True,需要三维数据
x=x.view(-1,28,28)
# output [batch,seq_len,hidden_size]包含每个序列的输出结果
# 虽然LSTM的batch_first为true,但是h_n,c_n不跟随改变,第0个维度还是num_layers
# h_n [num_layers,batch,hidden_size]只包含最后一个序列的输出结果
# c_n [num_layers,batch,hidden_size]只包含最后一个序列的输出结果
output,(h_n,c_n)=self.lstm(x)
output_in_last_timestep=h_n[-1,:,:]
x=self.out(output_in_last_timestep)
x=self.softmax(x)
return x
LR=0.0003
# 定义模型
model=LSTM()
# 定义代价函数
mse_loss=nn.CrossEntropyLoss()
# 定义优化器
optimizer=optim.Adam(model.parameters(),LR)
# 模型训练
def train():
# 模型的训练状态,Dropout起作用
model.train()
for i,data in enumerate(train_loader):
# 获得一个批次的数据和标签
inputs,labels=data
# 获得模型预测值
out=model(inputs)
# 交叉熵代价函数,不需要shape一致,它会自动独热编码
loss=mse_loss(out,labels)
# 梯度清0
optimizer.zero_grad()
# 梯度计算
loss.backward()
# 修改权值
optimizer.step()
# 模型测试
def test():
# 模型的测试状态,Dropout不起作用,所有神经元均参与计算
model.eval()
correct=0
# 计算训练集上的准确率
for i,data in enumerate(train_loader):
# 获得一个批次的数据和标签
inputs,labels=data
# 获得模型预测值
out=model(inputs)
# 获得最大值(忽略),以及最大值所在的位置
_,predicted=torch.max(out,1)
# 计算正确的个数
correct+=(predicted==labels).sum()
# 输出正确率
print("Train acc:{0}".format(correct.item()/len(train_dataset)))
correct=0
# 计算测试集上的准确率
for i,data in enumerate(test_loader):
# 获得一个批次的数据和标签
inputs,labels=data
# 获得模型预测值
out=model(inputs)
# 获得最大值(忽略),以及最大值所在的位置
_,predicted=torch.max(out,1)
# 计算正确的个数
correct+=(predicted==labels).sum()
# 输出正确率
print("Test acc:{0}".format(correct.item()/len(test_dataset)))
# 我们先训练10个周期
# 可以看出RNN可能更适合序列化问题,分类不如CNN
for epoch in range(10):
print('epoch:',epoch)
train()
test()
## epoch: 0
## ## Train acc:0.8071166666666667
## Test acc:0.8119
## epoch: 1
## Train acc:0.8405666666666667
## Test acc:0.8418
## epoch: 2
## Train acc:0.8526333333333334
## Test acc:0.8518
## epoch: 3
## Train acc:0.9123333333333333
## Test acc:0.913
## epoch: 4
## Train acc:0.9264666666666667
## Test acc:0.9209
## epoch: 5
## Train acc:0.9434333333333333
## Test acc:0.9393
## epoch: 6
## Train acc:0.9487833333333333
## Test acc:0.9443
## epoch: 7
## Train acc:0.9525333333333333
## Test acc:0.9488
## epoch: 8
## Train acc:0.9576
## Test acc:0.9521
## epoch: 9
## Train acc:0.9500666666666666
## Test acc:0.9457
Comments NOTHING