AI 笔记

记录AI相关技术学习过程，包括一些python基础知识，算法介绍

配置MNIST数据转化

from torchvision import transforms

transformer = transforms.Compose([
    transforms.ToTensor()
])

通过transforms.Composse([...])方法可以自定义对MNIST数据的转化操作，可以添加例如转张量(tensor)，单一化（Normalization 将数据范围统一，防止数据差异过大）等操作

获取MNIST数据

from torchvision import datasets

data = datasets.MNIST('data', 
    download=True,
    train=False,
    transform=transformer)

从MNIST获取数据，'data'是数据存储目录

配置数据加载方式

from torch.utils.data import DataLoader

loader = DataLoader(data, batch_size=1, shuffle=True)

DataLoader是可迭代的内容，可使用foreach循环遍历内容，shuffle控制数据每次加载是否打乱顺寻，打乱顺序可避免对数据顺序的依赖

import itertools
import matplotlib.pyplot as plt

for image, label in itertools.isLice(loader, 5):
    plt.axis("off")
    plt.title(label.item())
    plt.imshow(image.squeeze(), cmap="gray")
    plt.show()

• axis()方法控制是否展示图片xy标签
• item()方法可获取标量值
• squeeze()去除张量中size为1的维度
• isLice()方法可以将迭代器截断，此处只取用前5个值

Python 定义模型前置知识

先放完整代码

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 256)
        self.fc2 = nn.Linear(256, 128)
        self.fc3 = nn.Linear(128, 10)

    def forward(self, x):
        x = x.view(x.size(0), -1)
        x = torch.relu(fc1(x))
        x = torch.relu(fc2(x))
        x = fc3(x)
        return x

定义类

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()

    def forward():
        return 1

此处定义了一个最基本的模型类，(nn.Module)表示继承自nn.Module,def __init__() 定义了一个初始化方法，通过super()来调用父类方法

Linear 线性函数

import torch.nn as nn
import torch

l = nn.Linear(28 * 28, 128)
data = torch.randn((10, 28 * 28))
l(data)

• Linear()函数第一个参数为输入张量大小，第二个为输出张量大小
• torch.randn产生一个符合正态分布的张量，大小为(10, 28 * 28)
• (5,)表示一个一维五个元素的张量
• Linear()函数计算公式output = input @ weight^T + bias, weight(output_size, input_size) 初始为随机值，后续会根据损失函数进行调整, bias(output_size,) 偏置向量, @矩阵乘法, ^T矩阵转置

ReLu 函数

import torch

torch.relu()

激活函数，提供非线性变换，公式：ReLU(x) = max(0, x),取x大于0的区间

调整张量形状

x = x.view(x.size(0), -1)

• view(a, b) 将x调整为形状为(a, b)的张量，参数-1表示自动计算维度大小
• size()获取张量的形状，参数0表示获取第一个维度的大小