当前位置 博文首页 > Mtune：Pytorch CNN网络MNIST数字识别 [超详细记录] 学习笔记(三
torchvision.datasets接口直接下载，该接口可以直接构建数据集，推荐
其他途径下载后，编写程序进行读取，然后由Datasets构建自己的数据集
? ? 本文使用第一种方法获取数据集，并使用Dataloader进行按批装载。如果使用程序下载失败，请将其他途径下载的MNIST数据集 [文件] 和 [解压文件] 放置在 <data/MNIST/raw/> 位置下，本文的程序及文件结构图如下：
? ? 其中，model文件夹用来存储每个epoch训练的模型参数，根文件夹下包含model.py用于训练模型，test.py为测试集测试，show.py为展示部分
import torch
import torch.nn as nn
import torch.nn.functional as F
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import time
# 1. 准备数据集
## 1.1 使用torchvision自动下载MNIST数据集
train_data = datasets.MNIST(root='data\\',
train=True,
transform=transforms.ToTensor(),
download=True)
## 1.2 构建数据集装载器
train_loader = DataLoader(dataset=train_data,
batch_size=100,
shuffle=True,
drop_last=False,
num_workers=4)
if __name__ == "__main__":
print("===============数据统计===============")
print("训练集样本：",train_data.__len__(), train_data.data.shape)
? ? 【代码解析】
root为存放MNIST的路径，trian=True代表下载的为训练集和训练集标签，False则代表测试集和标签
transforms.ToTensor()表示将shape为(H, W, C)的 numpy 数组或 img 转为shape为(C, H, W)的tensor，并将数值归一化为[0,1]
download为True则代表自动下载，若该文件夹下已经下载，则直接跳过下载步骤
shuffle=True，表示对分好的batch进行洗牌操作，drop_last=True表示对最后不足batch大小的剩余样本舍去，False表示保留
num_works表示每次读取的进程数，和核心数有关
? ? Dataset和Dataloader详细说明，请移步：[Pytorch Dataset和Dataloader 学习笔记(二)]
? ? 网络结构如上图所示，输入图像—＞卷积1—＞池化1—＞卷积2—＞池化2—＞全连接1—＞全连接2—＞softmax，每次卷积通道数都增加一倍，最后送入全连接层实现分类
# 2. Design model using class
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv_layer1 = nn.Conv2d(1, 16, kernel_size=3, padding=1)
self.max_pooling1 = nn.MaxPool2d(2)
self.conv_layer2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
self.max_pooling2 = nn.MaxPool2d(2)
self.fc1 = nn.Linear(1568, 256)
self.fc2 = nn.Linear(256, 10)
def forward(self, x):
x = self.max_pooling1(F.relu(self.conv_layer1(x)))
x = self.max_pooling2(F.relu(self.conv_layer2(x)))
x = x.view(-1, 32*7*7)
x = F.relu(self.fc1(x))
y_hat = self.fc2(x) # CrossEntropyLoss会自动激活最后一层的输出以及softmax处理
return y_hat
net = Net()
# 3. Construct loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01, momentum=0.5)
? ? 【代码解析】
fc1的1568维度是因为最后一次池化后的shape为32*7*7=1568
在最后一层，并没有进行relu激活以及接入softmax，是因为，在CrossEntropyLoss中会自动激活最后一层的输出以及softmax处理
? ? CrossEntropyLoss图参考：《PyTorch深度学习实践》完结合集
? ? 详细网络结构搭建说明，请移步：Pytorch线性规划模型 学习笔记(一)
# 3. Construct loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01, momentum=0.5)
# 4. Training
if __name__ == "__main__":
print("Training...")
for epoch in range(20):
strat = time.time()
total_correct = 0
for x, y in train_loader:
y_hat = net(x)
y_pre = torch.argmax(y_hat, dim=1)
total_correct += sum(torch.eq(y_pre, y)) # 统计当前epoch下的正确个数
loss = criterion(y_hat, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
acc = (float(total_correct) / train_data.__len__())*100
save_path = "model/net" + str(epoch+1) + ".pth"
torch.save(obj=net.state_dict(), f=save_path)
print("epoch:", str(epoch + 1) + "/20",
" \n time:", "%.1f" % (time.time() - strat) + "s"
" train_loss:", loss.item(),
" acc:%.3f%%" % acc,)
print("we are done!")
? ? 【代码解析】
# 测试模型，测试集为test_data
import torch
import torchvision.datasets as datasets
from torch.utils.data import DataLoader
import torchvision.transforms as transforms
from model import Net
test_data = datasets.MNIST(root='data\\',
train=False,
transform=transforms.ToTensor(),
download=True)
test_loader = DataLoader(dataset=test_data,
batch_size=100,
shuffle=True,
drop_last=False,
num_workers=4)
if __name__ == "__main__":
print("---------------预测分析---------------")
print("测试集样本：", test_data.__len__(), test_data.data.shape)
model = Net()
model.load_state_dict(torch.load("model/net20.pth"))
model.eval()
total_correct = 0
for x, y in test_loader:
y_hat = model(x)
y_pre = torch.argmax(y_hat, dim=1)
total_correct += sum(torch.eq(y_pre, y))
acc = (float(total_correct) / test_data.__len__())*100
print("total_test_samples:", test_data.__len__(),
" test_acc:", "%.3f%%" % acc)
? ? 经过20个epoch的训练，在测试集上达到了98.590%的准确率，部分batch真实值与预测值展示如下：
链接：链接：https://pan.baidu.com/s/1GGhG1Slw2Tlsgl13yzHUIw
提取码：82l4
转载请说明出处
