Pytorch:搭建的卷积神经网络(CNN),实现MNIST数据集分类任务
关于一些代码里的解释,可以看我上一篇发布的文章,里面有很详细的介绍!!!
可以依次把下面的代码段合在一起运行,也可以通过jupyter notebook分次运行
第一步:基本库的导入
-
import numpy as np
-
import torch
-
import torch.nn as nn
-
import torchvision
-
import torchvision.transforms as transforms
-
from torch.utils.data import DataLoader
-
import matplotlib.pyplot as plt
-
import time
-
np.random.seed(1234)
第二步:引用MNIST数据集,这里采用的是torchvision自带的MNIST数据集
-
#这里用的是torchvision已经封装好的MINST数据集
-
trainset=torchvision.datasets.MNIST(
-
root='MNIST', #root是下载MNIST数据集保存的路径,可以自行修改
-
train=True,
-
transform=torchvision.transforms.ToTensor(),
-
download=True
-
)
-
-
testset=torchvision.datasets.MNIST(
-
root='MNIST',
-
train=False,
-
transform=torchvision.transforms.ToTensor(),
-
download=True
-
)
-
-
trainloader = DataLoader(dataset=trainset, batch_size=100, shuffle=True) #DataLoader是一个很好地能够帮助整理数据集的类,可以用来分批次,打乱以及多线程等操作
-
testloader = DataLoader(dataset=testset, batch_size=100, shuffle=True)
下载之后利用DataLoader实例化为适合遍历的训练集和测试集,我们把其中的某一批数据进行可视化,下面是可视化的代码,其实就是利用subplot画了子图。
-
#可视化某一批数据
-
train_img,train_label=next(iter(trainloader)) #iter迭代器,可以用来便利trainloader里面每一个数据,这里只迭代一次来进行可视化
-
fig, axes = plt.subplots(10, 10, figsize=(10, 10))
-
axes_list = []
-
#输入到网络的图像
-
for i in range(axes.shape[0]):
-
for j in range(axes.shape[1]):
-
axes[i, j].imshow(train_img[i*10 j,0,:,:],cmap="gray") #这里画出来的就是我们想输入到网络里训练的图像,与之对应的标签用来进行最后分类结果损失函数的计算
-
axes[i, j].axis("off")
-
#对应的标签
-
print(train_label)
第三步:用pytorch搭建简单的卷积神经网络(CNN)
这里把卷积模块单独拿出来作为一个类,看上去会舒服一点。
-
#卷积模块,由卷积核和激活函数组成
-
class conv_block(nn.Module):
-
def __init__(self,ks,ch_in,ch_out):
-
super(conv_block,self).__init__()
-
self.conv = nn.Sequential(
-
nn.Conv2d(ch_in, ch_out, kernel_size=ks,stride=1,padding=1,bias=True), #二维卷积核,用于提取局部的图像信息
-
nn.ReLU(inplace=True), #这里用ReLU作为激活函数
-
nn.Conv2d(ch_out, ch_out, kernel_size=ks,stride=1,padding=1,bias=True),
-
nn.ReLU(inplace=True),
-
)
-
def forward(self,x):
-
return self.conv(x)
下面是CNN主体部分,由上面的卷积模块和全连接分类器组合而成。这里只用了简单的几个卷积块进行堆叠,没有采用池化以及dropout的操作。主要目的是给大家简单搭建一下以便学习。
-
#常规CNN模块(由几个卷积模块堆叠而成)
-
class CNN(nn.Module):
-
def __init__(self,kernel_size,in_ch,out_ch):
-
super(CNN, self).__init__()
-
feature_list = [16,32,64,128,256] #代表每一层网络的特征数,扩大特征空间有助于挖掘更多的局部信息
-
self.conv1 = conv_block(kernel_size,in_ch,feature_list[0])
-
self.conv2 = conv_block(kernel_size,feature_list[0],feature_list[1])
-
self.conv3 = conv_block(kernel_size,feature_list[1],feature_list[2])
-
self.conv4 = conv_block(kernel_size,feature_list[2],feature_list[3])
-
self.conv5 = conv_block(kernel_size,feature_list[3],feature_list[4])
-
self.fc = nn.Sequential( #全连接层主要用来进行分类,整合采集的局部信息以及全局信息
-
nn.Linear(feature_list[4] * 28 * 28, 1024), #此处28为MINST一张图片的维度
-
nn.ReLU(),
-
nn.Linear(1024, 512),
-
nn.ReLU(),
-
nn.Linear(512, 10)
-
)
-
-
def forward(self,x):
-
device = x.device
-
x1 = self.conv1(x )
-
x2 = self.conv2(x1)
-
x3 = self.conv3(x2)
-
x4 = self.conv4(x3)
-
x5 = self.conv5(x4)
-
x5 = x5.view(x5.size()[0], -1) #全连接层相当于做了矩阵乘法,所以这里需要将维度降维来实现矩阵的运算
-
out = self.fc(x5)
-
return out
第四步:训练以及模型保存
先是一些网络参数的定义,包括优化器,迭代轮数,学习率,运行硬件等等的确定。
-
#网络参数定义
-
device = torch.device("cuda:4") #此处根据电脑配置进行选择,如果没有cuda就用cpu
-
#device = torch.device("cpu")
-
net = CNN(3,1,1).to(device = device,dtype = torch.float32)
-
epochs = 50 #训练轮次
-
optimizer = torch.optim.Adam(net.parameters(), lr=1e-4, weight_decay=1e-8) #使用Adam优化器
-
criterion = nn.CrossEntropyLoss() #分类任务常用的交叉熵损失函数
-
train_loss = []
然后是每一轮训练的主体:
-
# Begin training
-
MinTrainLoss = 999
-
for epoch in range(1,epochs 1):
-
total_train_loss = []
-
net.train()
-
start = time.time()
-
for input_img,label in trainloader:
-
input_img = input_img.to(device = device,dtype=torch.float32) #我们同样地,需要将我们取出来的训练集数据进行torch能够运算的格式转换
-
label = label.to(device = device,dtype=torch.float32) #输入和输出的格式都保持一致才能进行运算
-
optimizer.zero_grad() #每一次算loss前需要将之前的梯度清零,这样才不会影响后面的更新
-
pred_img = net(input_img)
-
loss = criterion(pred_img,label.long())
-
loss.backward()
-
optimizer.step()
-
total_train_loss.append(loss.item())
-
train_loss.append(np.mean(total_train_loss)) #将一个minibatch里面的损失取平均作为这一轮的loss
-
end = time.time()
-
#打印当前的loss
-
print("epochs[=/=] current loss: %.5f, time: %.3f"%(epoch,epochs,train_loss[-1],(end-start))) #打印每一轮训练的结果
-
-
if train_loss[-1]<MinTrainLoss:
-
torch.save(net.state_dict(), "./model_min_train.pth") #保存loss最小的模型
-
MinTrainLoss = train_loss[-1]
-
以下是迭代过程:
第五步:导入网络模型,输入某一批测试数据,查看结果
我们先来看某一批测试数据
-
#测试机某一批数据
-
test_img,test_label=next(iter(testloader))
-
fig, axes = plt.subplots(10, 10, figsize=(10, 10))
-
axes_list = []
-
#输入到网络的图像
-
for i in range(axes.shape[0]):
-
for j in range(axes.shape[1]):
-
axes[i, j].imshow(test_img[i*10 j,0,:,:],cmap="gray")
-
axes[i, j].axis("off")
然后将其输入到训练好的模型进行预测
-
#预测我拿出来的那一批数据进行展示
-
cnn = CNN(3,1,1).to(device = device,dtype = torch.float32)
-
cnn.load_state_dict(torch.load("./model_min_train.pth", map_location=device)) #导入我们之前已经训练好的模型
-
cnn.eval() #评估模式
-
-
test_img = test_img.to(device = device,dtype = torch.float32)
-
test_label = test_label.to(device = device,dtype = torch.float32)
-
-
pred_test = cnn(test_img) #记住,输出的结果是一个长度为10的tensor
-
test_pred = np.argmax(pred_test.cpu().data.numpy(), axis=1) #所以我们需要对其进行最大值对应索引的处理,从而得到我们想要的预测结果
-
-
#预测结果以及标签
-
print("预测结果")
-
print(test_pred)
-
print("标签")
-
print(test_label.cpu().data.numpy())
从预测的结果我们可以看到,整体上这么一个简单的CNN搭配全连接分类器对MNIST这一批数据分类的效果还不错。当然,我这里只用了交叉熵损失函数,并且没有计算准确率,仅供大家对于CNN学习和参考。
实验室网址:CIG | zhixiang
Github网址:ProgrammerZXG (Zhixiang Guo) · GitHub
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhgccgae
系列文章
更多
同类精品
更多
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
怎样阻止微信小程序自动打开
PHP中文网 06-13 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01