在本教程中，您將學習如何快速使用PyTorch訓練一個神經網絡學習如何識別手寫數字。
本文使用滴滴雲Notebook作爲開發環境，滴滴雲Notebook服務集成了CUDA、CuDNN、Python、TensorFlow、Pytorch、MxNet、Keras等深度學習框架，無需用戶自己安裝。
滴滴雲正在推出AI大師活動，購買Notebook和GPU/vGPU雲服務器產品時使用我的大師碼0123可享受9折優惠。
一、購買Notebook服務
註冊滴滴雲並實名認證後可購買Notebook服務。
-
進入控制檯Notebook頁面，單擊創建Notebook實例按鈕。
-
選擇基礎配置：
- 選擇 付費方式:當前僅支持按時長。
- 選擇 可用區:選擇靠近您客戶的地域，包括廣州1、2區。
- 選擇 配置規格:根據需要的CPU、GPU、顯卡和內存，選擇相關配置。
- 選擇 鏡像:提供了Jupyter Notebook鏡像和Jupyter Lab鏡像，這裏選擇>jupyter-lab-v1。
- 設置 系統盤:根據需求選擇系統盤的大小，設置範圍爲80GB - 500GB。
- 設置名稱和標籤
- 輸入 Notebook名稱。
- 輸入 標籤鍵以及鍵值，單擊添加按鈕，可添加多個標籤。
![在這裏插入圖片描述]()
訪問Notebook
-
進入我的Notebook頁面，在操作列單擊打開Notebook。
-
進入Notebook詳情頁面，單擊打開Notebook。
![在這裏插入圖片描述]()
二、構建MNIST手寫體數字識別程序
import matplotlib.pyplot as plt
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision
from torchvision import datasets, transforms
下載經典的MNIST數據集
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 訓練集Dataloader
train_loader = torch.utils.data.DataLoader(
datasets.MNIST(root='.', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])), batch_size=64, shuffle=True, num_workers=4)
# 測試集Dataloader
test_loader = torch.utils.data.DataLoader(
datasets.MNIST(root='.', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])), batch_size=64, shuffle=True, num_workers=4)
這裏我們使用一個4層CNN（卷積神經網絡），網絡結構：Conv-Conv-FC-FC
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
# Perform the usual forward pass
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2(x), 2))
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return F.log_softmax(x, dim=1)
model = Net().to(device)
現在我們使用SGD(隨機梯度下降）算法來訓練模型，以有監督的方式學習分類任務
optimizer = optim.SGD(model.parameters(), lr=0.01)
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 1 == 0:
print('\rTrain Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()), end='')
def test():
with torch.no_grad():
model.eval()
test_loss = 0
correct = 0
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
test_loss += F.nll_loss(output, target).item()
pred = output.max(1, keepdim=True)[1]
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'
.format(test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
開始訓練，每訓練一個epoch測試一次模型，在20個epoch內，模型準確率可以達到98.7%
epochs = 20
for epoch in range(1, epochs + 1):
train(epoch)
test()
Train Epoch: 1 [29984/60000 (100%)] Loss: 0.130790
Test set: Average loss: 0.0033, Accuracy: 9370/10000 (94%)
Train Epoch: 2 [29984/60000 (100%)] Loss: 0.212607
Test set: Average loss: 0.0020, Accuracy: 9594/10000 (96%)
Train Epoch: 3 [29984/60000 (100%)] Loss: 0.054339
Test set: Average loss: 0.0016, Accuracy: 9673/10000 (97%)
Train Epoch: 4 [29984/60000 (100%)] Loss: 0.085429
Test set: Average loss: 0.0012, Accuracy: 9766/10000 (98%)
Train Epoch: 5 [29984/60000 (100%)] Loss: 0.084620
Test set: Average loss: 0.0010, Accuracy: 9800/10000 (98%)
Train Epoch: 6 [29984/60000 (100%)] Loss: 0.053965
Test set: Average loss: 0.0009, Accuracy: 9826/10000 (98%)
Train Epoch: 7 [29984/60000 (100%)] Loss: 0.098088
Test set: Average loss: 0.0008, Accuracy: 9826/10000 (98%)
Train Epoch: 8 [29184/60000 (49%)] Loss: 0.008589
使用我的大師碼0123在滴滴雲上購買Notebook產品和GPU/vGPU雲服務器產品可享受9折優惠。