PyTorch 分类任务实战指南：从数据预处理到预测结果

使用 PyTorch 进行分类任务，需要经历以下步骤：

加载数据集并进行预处理 在开始训练模型之前，需要加载数据集并进行预处理，包括数据的读取、归一化、分割为训练集和测试集等操作。
定义模型 PyTorch 提供了丰富的模型结构，可以选择现有的模型或自定义模型。一般来说，分类任务可以使用卷积神经网络 (CNN) 或全连接神经网络 (FCN) 等模型来实现。
定义损失函数和优化器 损失函数是用来评估模型性能的指标，优化器是用来优化模型参数的工具。在分类任务中，常用的损失函数是交叉熵损失函数，常用的优化器是随机梯度下降 (SGD)。
训练模型 使用训练集对模型进行训练，通过优化器不断更新模型参数，使得模型的预测结果逐渐接近真实值。
评估模型 使用测试集对模型进行评估，计算模型的准确率、精度、召回率等指标，进一步了解模型的性能表现。
预测结果 使用训练好的模型对新数据进行分类预测，得到分类结果。

代码示例

加载数据集并进行预处理

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

定义模型

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

定义损失函数和优化器

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

训练模型

for epoch in range(10):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

评估模型

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))

预测结果

images, labels = next(iter(testloader))
outputs = net(images)
_, predicted = torch.max(outputs, 1)
print('Predicted:', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))

本示例使用 MNIST 数据集进行分类任务，读者可以根据自己的需求调整数据集和模型结构，进行更深入的研究和应用。