大家好，又见面了，我是你们的朋友全栈君。
MNIST虽然很简单，但是值得我们学习的东西还是有很多的。
项目虽然简单，但是个人建议还是将各个模块分开创建，特别是对于新人而言，模块化的创建会让读者更加清晰、易懂。
- CNN模块：卷积神经网络的组成；
- train模块：利用CNN模型 对 MNIST数据集 进行训练并保存模型
- test模块：加载训练好的模型对测试集数据进行测试
- cnn.pt ： train 的CNN模型
注意！ 有GPU的小伙伴尽量使用GPU训练，GPU的训练速度比CPU的训练速度高许多倍，可以节约大量训练时间
文章目录- 1、CNN 模块
- CNN 模块分析
- 2、train 模块
- 3、test 模块
- CNN 模块分析
1、CNN 模块
MNIST的识别算法有很多，在此提供的是 卷积神经网络CNN ，其他算法也同样可以取得很好的识别效果，有兴趣的小伙伴可以自己尝试下。
在此就不得不提 Pytorch的优势了，都知道 Pytorch 是动态计算模型。但是何为动态计算模型呢？
- 在此对比 Tensorflow。在流行的神经网络架构中, Tensorflow 就是最典型的静态计算架构。使用 Tensorflow 就必须先搭建好这样一个计算系统, 一旦搭建好了, 就不能改动了 (也有例外), 所有的计算都会在这种图中流动, 当然很多情况下这样就够了, 我们不需要改动什么结构。
- 不动结构当然可以提高效率. 但是一旦计算流程不是静态的, 计算图要变动. 最典型的例子就是 RNN, 有时候 RNN 的 time step 不会一样, 或者在 training 和 testing 的时候, batch_size 和 time_step 也不一样, 这时, Tensorflow 就头疼了。
- 如果用一个动态计算图的 Pytorch, 我们就好理解多了, 写起来也简单多了. PyTorch 支持在运行过程中根据运行参数动态改变应用模型。可以简单理解为：一种是先定义后使用，另一种是边使用边定义。动态计算图模式是 PyTorch 的天然优势之一，Google 2019年 3 月份发布的 TensorFlow 2.0 Alpha 版本中的 Eager Execution，被认为是在动态计算图模式上追赶 PyTorch 的举措。
如果暂时看不懂的小伙伴，可以先不管，先往后学习，等将来需要的时候再回头思考这段话。
CNN 模块分析
CNN 模块主要分为两个部分，一个是定义CNN模块，另一个是将各个模块组成前向传播通道
- super() 函数： 是用于调用父类(超类)的一个方法。 用来解决多重继承问题的，直接用类名调用父类方法在使用单继承的时候没问题，但是如果使用多继承，会涉及到查找顺序（MRO）、重复调用（钻石继承）等种种问题。 super(SimpleCNN, self) 首先找到 SimpleCNN 的父类（就是类 nn.Module ），然后把类 SimpleCNN 的对象转换为类 nn.Module 的对象
- nn.Sequential()： 是一个有顺序的容器，将神经网络模块 按照传入构造器的顺序依次被添加到计算图中执行。由于每一个神经网络模块都继承于nn.Module，通过索引的方式利用add_module函数将 nn.Sequential()模块 添加到现有模块中。
- forward()： 是前向传播函数，将之前定义好的每层神经网络模块串联起来，同时也定义了模型的输入参数
- x.view() & x.reshape()： 其实两者的作用并没有太大区别，作用都是调整张量的类型大小，view() 出现的更早些，而 reshape() 则是为了与 Numpy对齐，在 Pytorch 0.3版本之后添加的，两者作用没有太大区别；
# !/usr/bin/env python
# -*- coding:utf-8 -*-
# @Time : 2020.
# @Author : 绿色羽毛
# @Email : lvseyumao@foxmail.com
# @Blog : https://blog.csdn.net/ViatorSun
# @Note :
from torch import nn
class SimpleCNN(nn.Module):
def __init__(self):
super(SimpleCNN, self).__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(1,16,kernel_size=3) ,
nn.BatchNorm2d(16) ,
nn.ReLU(inplace=True))
self.layer2 = nn.Sequential(
nn.Conv2d(16,32,kernel_size=3) ,
nn.BatchNorm2d(32) ,
nn.ReLU(inplace=True) ,
nn.MaxPool2d(kernel_size=2 , stride=2))
self.layer3 = nn.Sequential(
nn.Conv2d(32,64,kernel_size=3) ,
nn.BatchNorm2d(64) ,
nn.ReLU(inplace=True))
self.layer4 = nn.Sequential(
nn.Conv2d(64,128,kernel_size=3) ,
nn.BatchNorm2d(128) ,
nn.ReLU(inplace=True) ,
nn.MaxPool2d(kernel_size=2 , stride=2))
self.fc = nn.Sequential(nn.Linear(128*4*4,1024) ,
nn.ReLU(inplace=True) ,
nn.Linear(1024,128) ,
nn.ReLU(inplace=True) ,
nn.Linear(128,10) )
def forward( self , x):
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
# x = x.view(x.size(0) , -1)
x = x.reshape(x.size(0) , -1)
fc_out = self.fc(x)
return fc_out2、train 模块
代码语言：javascript复制# !/usr/bin/env python
# -*- coding:utf-8 -*-
# @Time : 2020.
# @Author : 绿色羽毛
# @Email : lvseyumao@foxmail.com
# @Blog : https://blog.csdn.net/ViatorSun
# @Note :
import torch
import CNN
from torch import nn , optim
from torchvision import datasets
from torchvision import transforms
from torch.autograd import Variable
from torch.utils.data import DataLoader
# 定义超参数
learning_rate = 1e-2 # 学习率
batch_size = 128 # 批的大小
epoches_num = 20 # 遍历训练集的次数
# 下载训练集 MNIST 手写数字训练集
train_dataset = datasets.MNIST( root='./data', train=True, transform=transforms.ToTensor(), download=True )
train_loader = DataLoader( train_dataset, batch_size=batch_size, shuffle=True )
# 定义model 、loss 、optimizer
model = CNN.SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD( model.parameters(), lr=learning_rate )
if torch.cuda.is_available():
print("CUDA is enable!")
model = model.cuda()
model.train()
# 开始训练
for epoch in range(epoches_num):
print('*' * 40)
train_loss = 0.0
train_acc = 0.0
# 训练
for i, data in enumerate(train_loader, 1 ):
img, label = data
# 拥有GPU的小伙伴还是推荐使用GPU训练
if torch.cuda.is_available():
img = Variable(img).cuda()
label = Variable(label).cuda()
else:
img = Variable(img)
label = Variable(label)
# 前向传播
optimizer.zero_grad()
out = model(img)
loss = criterion(out, label)
# 反向传播
loss.backward()
optimizer.step()
# 损失/准确率计算
train_loss = loss.item() * label.size(0)
_ , pred = out.max(1)
num_correct = pred.eq(label).sum()
accuracy = pred.eq(label).float().mean()
train_acc = num_correct.item()
print('Finish {} Loss: {:.6f}, Acc: {:.6f}'.format( epoch 1 , train_loss / len(train_dataset), train_acc / len(train_dataset )))
# 保存模型
torch.save(model, 'cnn.pt')3、test 模块
在模型的使用过程中，有些子模块（如：丢弃层、批次归一化层等）有两种状态，即训练状态和预测状态，在不同时候 Pytorch模型 需要在两种状态中相互转换。
- model.tran() 方法会将模型(包含所有子模块)中的参数转换成训练状态
- model.eval() 方法会将模型(包含所有子模块)中的参数转换成预测状态
Pytorch 的模型在不同状态下的预测准确性会有差异，在训练模型的时候需要转换为训练状态，在预测的时候需要转化为预测状态，否则最后模型预测准确性可能会降低，甚至会得到错误的结果。
代码语言：javascript复制# !/usr/bin/env python
# -*- coding:utf-8 -*-
# @Time : 2020.
# @Author : 绿色羽毛
# @Email : lvseyumao@foxmail.com
# @Blog : https://blog.csdn.net/ViatorSun
# @Note :
import torch
from torch import nn
from torchvision import datasets
from torchvision import transforms
from torch.autograd import Variable
from torch.utils.data import DataLoader
# 定义超参数
batch_size = 128 # 批的大小
# 下载训练集 MNIST 手写数字测试集
test_dataset = datasets.MNIST( root='./data', train=False, transform=transforms.ToTensor())
test_loader = DataLoader(test_dataset , batch_size=batch_size, shuffle=False)
# 加载 Train 模型
model = torch.load('cnn.pt')
criterion = nn.CrossEntropyLoss()
model.eval()
eval_acc = 0
eval_loss = 0
# 测试
for data in test_loader:
img, label = data
if torch.cuda.is_available():
img = Variable(img ).cuda()
label = Variable(label).cuda()
else:
img = Variable(img )
label = Variable(label)
out = model(img)
loss = criterion(out, label)
eval_loss = loss.item() * label.size(0)
_ , pred = torch.max(out,1)
num_correct = (pred==label).sum()
eval_acc = num_correct.item()
print('Test Loss: {:.6f} , Acc: {:.6f}'.format( eval_loss/(len(test_dataset)), eval_acc/(len(test_dataset)) ))发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/126743.html原文链接：https://javaforall.cn
