目录
>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/xLjALoOD8HPZcH563En8bQ) 中的学习记录博客**
>- **🍦 参考文章：[365天深度学习训练营-第P1周：实现mnist手写数字识别](https://mp.weixin.qq.com/s/00Z7negmsNuYSHY6nqeEWA)**
>- **🍖 原作者：[K同学啊|接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**
一.前期准备
1.准备GPU
import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device我这里一开始出现了一点小问题，torch.cuda.is_available()一直显示是FALSE。后来我Print了版本号,发现是确实CPU版本。
import torch
print(torch.cuda.is_available())
print(torch.__version__)
后来我找到了一篇文章《使用GPU进行深度学习环境的搭建》成功解决了问题
————————————————
版权声明：本文为CSDN博主「一只小小的土拨鼠」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40379132/article/details/124869378
中间有一个插曲，我是用Pycharm搭建的。pip后下载的文件不会放到pycharm的site-packages文件夹中，所以需要自己手动赋值到里面。成功后如图所示，torch后面有cu116。
2.导入数据
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
train_ds = torchvision.datasets.MNIST('data',
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
test_ds = torchvision.datasets.MNIST('data',
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
batch_size = 32
train_dl = torch.utils.data.DataLoader(train_ds,
batch_size=batch_size,
shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds,
batch_size=batch_size)
# 取一个批次查看数据格式
# 数据的shape为：[batch_size, channel, height, weight]
# 其中batch_size为自己设定，channel，height和weight分别是图片的通道数，高度和宽度。
imgs, labels = next(iter(train_dl))
print(imgs.shape)
print(labels.shape)
'''
iter返回的是一个迭代器，使用next函数可以从迭代器中取出具体的值。
torch.Size([32, 1, 28, 28])
torch.Size([32])
'''简略的查了一下next和iter函数，发现具体的作用就是next生成一个迭代器，next从迭代器中取出具体的值。
3. 数据可视化
第一次复现经典的MNIST数据集，可视化一下。
import numpy as np
# 指定图片大小，图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
# imgs Tensor(1,28,28)
npimg = np.squeeze(imgs.numpy())
# 将整个figure分成2行10列，绘制第i+1个子图。
plt.subplot(2, 10, i+1)#绘制子图
plt.imshow(npimg, cmap=plt.cm.binary)#cmap的备注 The Colormap instance or registered colormap name used to map scalar data to colors.
plt.axis('on')
#plt.show()
plt.imshow似乎是用来画2D的图片的，所以需要squeeze(imgs.numpy()),变成二维的dnumpy类型。
#cmap的备注 The Colormap instance or registered colormap name used to map scalar data to colors. cmap是color map的简称，用来确定是画什么类型的图
二、构建CNN
import torch.nn.functional as F
num_classes = 10 # 图片的类别数
class Model(nn.Module):
def __init__(self):
super().__init__()
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为3*3,卷积核的数量是32
self.pool1 = nn.MaxPool2d(2) # 设置池化层，池化核大小为2*2
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
# 前向传播
def forward(self, x):
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
x = torch.flatten(x, start_dim=1)
'''
Flattens input by reshaping it into a one-dimensional tensor.
If start_dim or end_dim are passed, only dimensions starting with start_dim and ending with end_dim are flattened.
具体见CSDN，将索引为 start_dim 和 end_dim 之间（包括该位置）的数量相乘，其余位置不变。
t = torch.tensor([[[1, 2, 2, 1],
[3, 4, 4, 3],
[1, 2, 3, 4]],
[[5, 6, 6, 5],
[7, 8, 8, 7],
[5, 6, 7, 8]]])
print(t, t.shape)
运行结果：
torch.Size([2, 3, 4])
'''
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
from torchinfo import summary
# 将模型转移到GPU中（我们模型运行均在GPU中进行）
model = Model().to(device)
#Summarize the given PyTorch model
summary(model)
三、正式训练
1. model.train()
model.train()的作用是启用 Batch Normalization 和 Dropout。如果模型中有
BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropout，model.train()是随机取一部分网络连接来训练更新参数。2. model.eval()
model.eval()的作用是不启用 Batch Normalization 和 Dropout。如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加
model.eval()。model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。对于Dropout，model.eval()是利用到了所有网络连接，即不进行随机舍弃神经元。训练完train样本后，生成的模型model要用来测试样本。在
model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。
BN层和Dropout层不是很理解，等以后明白了补上了再写。
epochs = 5
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')四、结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率
epochs_range = range(epochs)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
图片看起来还行，但是当Test Accuracy 达到99.0%的时候，训练集的正确率会上升，但是Test集会下降，应该是过拟合了。因为篇幅受限，就不放图片了。
五、总结
最开心的一点，我成功搞定了GPU环境的配置了！！！
瞧瞧这RTX，还算赏心悦目，终于在打游戏之外跑满显卡了！开森！
2008
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
