he1senbergg/homework1

导入数据集

1.将以下两行中的代码中的地址修改为本地的保存地址

trainset = datasets.FashionMNIST(root="/home/ly/miniconda3/envs/data", train=True, download=True)

testset = datasets.FashionMNIST(root="/home/ly/miniconda3/envs/data", train=False, download=True)

训练

找到含有以下三行代码的代码块，调参、运行（记得运行前面的代码以激活定义的代码）。

model = ThreeLayerNN(input_size=784, hidden_size1=361, hidden_size2=100, output_size=10, init_params = None)

• input_size: 输入样本的维度，每张图片2828，reshape展平后，2828=784
• hidden_size1: 隐藏层大小1
• hidden_size2: 隐藏层大小2
• output_size: 十分类输出
• init_params: 模型参数导入选项(None or Saved_params)

sgd = SGD(params = model.params, grads = model.grads, learning_rate = 0.1, momentum = 0, decay_lr = 1)

• params: 模型参数
• grads: 模型梯度
• learning_rate: 学习率
• momentum: 动量(self.velocity[key] = self.momentum * self.velocity[key] - self.lr * dW)
• decay_lr: 每轮的学习率的缩放比例(如lr_new = lr_old * decay_lr)

train(X_train, y_train, X_test, y_test, model, sgd, batch_size = 50, epoch = 100, l2_reg=0.001, save_threshold = 0.85)

• X_train: 训练集的X
• y_train: 训练集的标签
• X_test: 测试集的X
• y_test: 测试集的标签
• model: 模型
• sgd: 随机梯度下降
• batch_size: 批量大小
• epoch: 训练轮次
• l2_reg: L2正则化的系数
• save_threshold: 模型参数保存时最低的测试集正确率要求（初始可默认为0，在训练过程中会自动修改这个值变成最大值）

测试

1.导入模型参数，并测试

在以下这一行中，修改directory为保存模型参数的文件夹：

directory = "/home/ly"

定义需显性显示的测试样本个数，如已有的num = 50(至多显性前60个结果)。

2.点击运行

运行后会：

• 输出该模型参数的文件名
• 自动化计算该模型参数对应的模型，在测试集上的正确率
• 输出前num个测试集数据的运行结果
  • 正确个数、正确比例
  • pd.dataframe