【PyTorch与深度学习】6、PyTorch中搭建分类网络实例

课程地址
最近做实验发现自己还是基础框架上掌握得不好，于是开始重学一遍PyTorch框架，这个是课程笔记，此节课很详细，笔记记的比较粗，这个视频课是需要有点深度学习数学基础的，如果没有数学基础，可以一边学一边查一查

1. Transforms

我们导入到数据集中的图片可能大小不一样，数据并不总是以训模型所需的最终处理形式出现。我们使用Transforms对数据进行一些操作，使其适合训练（比如统一图片的像素值）。一般Transforms函数都在Dataset中去定义好。target_transfrom是同样的道理，比如我们得到的分类结果是整型的，然后我们能够做一个target_transfrom处理变成One-hot这种数据格式。无论是Transforms还是target_transform，我们都要在Dataset中去定义好。最后通过get_item方法返回到正确的符合规范的标签或样本。

在深度学习中，One-hot编码是一种将分类变量转换成向量表示的方法。在One-hot编码中，向量的长度与类别总数相同，而每个类别对应一个位置，在该位置上One-hot编码表示为1，而其余位置则表示为0。这种表示方法确保了每个类别之间是相互独立的，不存在任何顺序或距离的关系。
One-hot编码在处理分类特征时非常有用，特别是当特征的取值类别非常多时。它能够为神经网络提供一个清晰的输入表示，有助于模型的学习和泛化。例如，在处理文本数据时，每个单词可以被视为一个单独的分类特征，而One-hot编码则可以将每个单词转换为一个向量，其中只有在该单词对应的索引位置上有一个1，其余位置都是0。
使用One-hot编码的主要步骤通常包括：

• 构建词汇表：收集所有可能的类别，并按照某种顺序进行排序。
• 将文本数据转换为整数序列：将文本中的每个单词或字符映射到词汇表中的相应索引。
• 获取词汇表大小：确定One-hot编码向量的长度，即类别总数。
• 将整数序列转换为One-hot编码：对于每个整数序列，创建一个长度与词汇表大小相同的向量，并在相应的位置上设置为1，其他位置设置为0。

需要注意的是，虽然One-hot编码在某些情况下非常有用，但在处理具有顺序或距离关系的数据时，它可能不是最佳选择。此外，当类别数量非常多时，One-hot编码可能会导致大量的零值，这可能会对模型的训练和性能产生影响。在这种情况下，可能需要考虑其他编码方法，如嵌入向量等。

# 导入必要的库和模块
import torch  
from torchvision import datasets  # torchvision 中的 datasets 模块，用于加载标准数据集
from torchvision.transforms import ToTensor, Lambda  # torchvision 的 transforms 模块提供数据预处理的方法

# 加载 FashionMNIST 数据集
ds = datasets.FashionMNIST(
    root="data",  # 数据存储的根目录，如果数据未下载则会下载到这个目录下
    train=True,  # 指定这是训练数据集，若设为 False 则加载测试数据集
    download=True,  # 如果数据未在 'root' 指定的路径下，则下载数据
    transform=ToTensor(),  # 指定一个转换函数，将 PIL 图片或者 numpy.ndarray 转换为 FloatTensor，并且归一化到 [0, 1] 区间
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
    # target_transform 是一个用于处理目标变量的转换函数，
    # 这里使用 Lambda 创建一个匿名函数，它将整数标签 y 转换为一个 one-hot 编码的 tensor。
    # 具体过程如下：
    # 1. torch.zeros(10, dtype=torch.float) 创建一个长度为 10，类型为 float 的零向量，
    #    对应于 FashionMNIST 数据集中的 10 个类别。
    # 2. scatter_(0, torch.tensor(y), value=1) 将上述零向量的第 y 位置设为 1，实现 one-hot 编码。
    #    scatter_ 的第一个参数是维度，这里为 0，表示在零维上操作（这里向量只有一维）。
)

2. 构建一个神经网络模型

神经网络由对数据执行操作的层/模块组成。torch.nn命名空间提供了构建自己的神经网络所需的所有构建块。PyTorch中的每个模块都将nn子类化。单元神经网络是由其他模块（层）组成的模块本身。这种嵌套结构允许轻松地构建和管理复杂的体系结构。下面的代码讲解分类模型常用的东西，内容都在注释中：

import os
import torch
from torch import nn