1 问题
1.问题1：为什么需要if __name__ == '__main__':?
2.问题2: 如果tensor有多个值比如x，如何转移x到cpu上
3.问题3: 探索其他指标的实现方法,例如precision, recall, f1-score?
2 方法
问题1：为什么需要if __name__ == '__main__':?
if__name__ == '__main__':的作用一个python文件通常有两种使用方法，第一是作为脚本直接执行，第二是 import 到其他的 python 脚本中被调用（模块重用）执行。因此 if __name__ == 'main': 的作用就是控制这两种情况执行代码的过程，在 if __name__ == 'main': 下的代码只有在第一种情况下（即文件作为脚本直接执行）才会被执行，而 import 到其他脚本中是不会被执行的。__name__ == '__main__' 就表示在当前文件中，可以在if __name__ == '__main__':条件下写入测试代码，如此可以避免测试代码在模块被导入后执行。
问题2: 如果tensor有多个值比如x，如何转移x到cpu上
Tensor的含义Tensor，又名张量。如果一个物理量，在物体的某个位置上只是一个单值，那么就是普通的标量，比如密度。如果它在同一个位置、从不同的方向上看，有不同的值，而且这个数恰好可以用矩阵乘观察方向来算出来，就是张量。几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。Tensor转换Torch定义了七种CPU tensor类型和八种GPU tensor类型。从工程角度来讲，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）和更高维的数组（高阶数据）。Tensor可以存放在不同的device(cpu/gpu)：cpu –> gpu，使用data.cuda()。gpu –> cpu，使用data.cpu()。
例如
import torch
# 创建一个张量
tensor = torch.randn(3, 3) # 一个3x3的随机张量
# 将张量移动到 CPU
tensor_on_cpu = tensor.to('cpu')
# 检查移动后的设备
print(tensor_on_cpu.device)
问题3: 探索其他指标的实现方法,例如precision, recall, f1-score?
1.精确度（Precision）：精确度是指被分类为正类别的样本中实际为正类别的比例。精确度可用于衡量模型在正类别上的准确性。
2.召回率（Recall）：召回率是指实际为正类别的样本中被正确分类为正类别的比例。召回率可用于衡量模型对正类别样本的覆盖程度。
例如
from sklearn.metrics import precision_score, recall_score, f1_score
true_labels = [1, 0, 1, 1, 0, 0]
predicted_labels = [1, 1, 1, 0, 0, 1]
precision = precision_score(true_labels, predicted_labels, average='weighted')
recall = recall_score(true_labels, predicted_labels, average='weighted')
f1 = f1_score(true_labels, predicted_labels, average='weighted')
print(f'Precision: {precision}')
print(f'Recall: {recall}')
print(f'F1 Score: {f1}')
import torch
import matplotlib.pyplot as plt
from torch.optim import SGD
from torch import nn
from torchvision import datasets
from torchvision.transforms import ToTensor
from torch.utils.data import DataLoader
#问题1：为什么需要if __name__ == '__main__':？？
if __name__ == '__main__':
device = (
'cuda'
if torch.cuda.is_available()
else 'cpu'
)
print(device)
train_ds = datasets.MNIST(
root='data', # 数据集下载的路径
download=True,
train=True, # True表示训练集 False表示测试集
transform=ToTensor(), # ToTensor()对象, 转换
)
test_ds = datasets.MNIST(
root='data',
download=True,
train=False,
transform=ToTensor(),
)
batch_size = 256
train_dataloader = DataLoader(
dataset=train_ds, # 对哪个数据集进行切分
batch_size=batch_size,
num_workers=8,
)
test_dataloader = DataLoader(
dataset=test_ds,
batch_size=batch_size,
num_workers=8, # 可选参数,
)
class MyNet(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(
in_features= 784, # 前一层的神经元个数
out_features= 512, # 当前层的神经元个数
)
self.fc2 = nn.Linear(
in_features=512,
out_features=10,
)
def forward(self, x):
x = torch.flatten(x, start_dim=1) # 向上方向键 [32, 784]
x = self.fc1(x)
out = self.fc2(x)
return out
net = MyNet().to(device)
loss_fn = nn.CrossEntropyLoss()
optimizer = SGD(net.parameters(), lr=1e-3)
losses = []
def train(dataloader, net, loss_fn, optimizer):
batch_num = len(dataloader)
net.train()
for batch_index, (X,y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
pred = net(X)
loss = loss_fn(pred, y)
loss.backward()
optimizer.step()
optimizer.zero_grad()
losses.append(loss.item())
if batch_index % 100 == 0:
print(f'[{batch_index+1:>3d}/{batch_num}] loss: {loss.item()}')
epoch_num = 1
for t in range(epoch_num):
print(f'Epoch {t+1}/{epoch_num}')
train(train_dataloader, net, loss_fn, optimizer)
# 测试网络
def test(dataloader, net, loss_fn):
size = len(dataloader.dataset)
correct = 0
net.eval()
for batch_idx, (X,y) in enumerate(dataloader):
X,y = X.to(device), y.to(device)
pred = net(X)
batch_correct = (pred.argmax(1) == y).type(torch.float).sum().item()
correct += batch_correct
#问题2: 如果tensor的shape不是1,那么怎么转移到CPU呢?
acc = correct / size
print(f'Accurac: {acc}')
# 问题3: 探索其他指标的实现方法,例如precision, recall, f1-score
test(test_dataloader, net, loss_fn) |
输出：
3 结语
本次对实验中出现if __name__ == '__main__'报错的相关问题，知道了该代码只有在py文件作为脚本直接执行时才会被执行，而 import 到其他脚本中是不会被执行的，所以在调用脚本时需要输入调用。对于tensor转移到CPU上运行，对于单个张量可直接进行转移，多个张量可采用循环或列表推导式。关于提升MNIST数据集的准确率涉及到使用更复杂的模型、调整超参数、数据增强等方法。了解如何在 PyTorch 中实现训练和测试循环，包括使用交叉熵损失函数和随机梯度下降（SGD）优化器；如何在测试阶段计算准确率，并进一步学习如何计算其他指标，如精确度、召回率和 F1 分数，以综合评估模型性能。