如何用pytorch评估和获得前馈神经网络的精度

PyTorch是一个流行的深度学习框架，可以用于构建和训练前馈神经网络（Feedforward Neural Network）。评估和获得前馈神经网络的精度可以通过以下步骤实现：

导入必要的库和模块：

import torch
import torch.nn as nn
import torch.optim as optim

定义前馈神经网络模型：

class FeedforwardNN(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(FeedforwardNN, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

初始化模型和定义超参数：

input_size = 784  # 输入特征的大小（例如MNIST数据集的图像大小为28x28，展开后为784）
hidden_size = 128  # 隐藏层的大小
num_classes = 10  # 分类的数量（例如MNIST数据集有10个类别）
learning_rate = 0.001  # 学习率
num_epochs = 10  # 训练的轮数

加载数据集（以MNIST数据集为例）：

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

train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=100, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=100, shuffle=False)

初始化模型和定义损失函数以及优化器：

model = FeedforwardNN(input_size, hidden_size, num_classes)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

训练模型：

total_step = len(train_loader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = images.reshape(-1, input_size)
        
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, total_step, loss.item()))

评估模型的精度：

model.eval()  # 设置模型为评估模式
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, input_size)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
    
    print('精度: {}%'.format(100 * correct / total))

这样，我们就可以使用PyTorch评估和获得前馈神经网络的精度了。

腾讯云相关产品和产品介绍链接地址：