2020-10-19 21:48:57

docs/pytorch/17.md

@@ -8,7 +8,7 @@
 
 ## MNIST手写数据
 
-```
+```py
 import torch
 from torch import nn
 from torch.autograd import Variable
@@ -42,7 +42,7 @@ train_data = torchvision.datasets.MNIST(
 
 同样, 我们除了训练数据, 还给一些测试数据, 测试看看它有没有训练好.
 
-```
+```py
 test_data = torchvision.datasets.MNIST(root=\\'./mnist/\\', train=False)
 
 # 批训练 50samples, 1 channel, 28x28 (50, 1, 28, 28)
@@ -63,7 +63,7 @@ test_y = test_data.test_labels[:2000]
 4.  (inputN,  stateN)-> LSTM -> (outputN,  stateN  1) ;
 5.  outputN -> Linear -> prediction . 通过LSTM分析每一时刻的值, 并且将这一时刻和前面时刻的理解合并在一起, 生成当前时刻对前面数据的理解或记忆. 传递这种理解给下一时刻分析.
 
-```
+```py
 class RNN(nn.Module):
     def __init__(self):
         super(RNN, self).__init__()
@@ -103,7 +103,7 @@ RNN (
 
 我们将图片数据看成一个时间上的连续数据, 每一行的像素点都是这个时刻的输入, 读完整张图片就是从上而下的读完了每行的像素点. 然后我们就可以拿出 RNN 在最后一步的分析值判断图片是哪一类了. 下面的代码省略了计算 accuracy 的部分, 你可以在我的 github 中看到全部代码.
 
-```
+```py
 optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)   # optimize all parameters
 loss_func = nn.CrossEntropyLoss()   # the target label is not one-hotted
 
@@ -129,7 +129,7 @@ Epoch:  0 | train loss: 0.1868 | test accuracy: 0.96
 
 最后我们再来取10个数据, 看看预测的值到底对不对:
 
-```
+```py
 test_output = rnn(test_x[:10].view(-1, 28, 28))
 pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze()
 print(pred_y, \\'prediction number\\')