本周开始每周更新一篇关于机器学习实战的案例,内容包括数据获取、完整代码与解析、模型调优等。希望可以坚持下来。另外,有写的不对的地方,欢迎指出,大家一起努力吧!
一、学习目标
- 了解Pytorch,并使用Pytorch构建一个深度学习程序
- 了解什么是深度学习
- 关于数据获取:无需本地下载数据,直接使用dataset下载MNIST数据集
二、代码解析
1、导入数据
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)
imgs, labels = next(iter(train_dl))
print(imgs.shape)
-
torchvision.datasets是Pytorch自带的一个数据库,通过代码在线下载MNIST数据集。
函数原型:
torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False) -
torch.utils.data.DataLoader是Pytorch自带的一个数据加载器,结合了数据集和取样器,并且可以提供多个线程处理数据集。
函数原型:
torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=None, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False, pin_memory_device=‘’)
2、数据可视化
import numpy as np
# 指定图片大小,图像大小为20宽、5高的绘图
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
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)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis('off')
plt.show()
squeeze()函数的功能是从矩阵shape中,去掉维度为1的。
3、构建CNN网络
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
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)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
#加载并打印模型
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)
summary(model)
4、训练模型
(1)设置超参数
(2)编写训练函数(反向传播)
(3)编写测试函数
(4)正式训练
#设置超参数
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小,一共60000张图片
num_batches = len(dataloader) # 批次数目,1875(60000/32)
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 计算预测误差
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距,targets为真实值,计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录acc与loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss
#测试函数
def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测试集的大小,一共10000张图片
num_batches = len(dataloader) # 批次数目,313(10000/32=312.5,向上取整)
test_loss, test_acc = 0, 0
# 当不进行训练时,停止梯度更新,节省计算内存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss
#正式训练
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')
1.pred.argmax(1) 返回数组 pred 在第一个轴(即行)上最大值所在的索引。这通常用于多类分类问题中。
2.item()将求和结果转换为标量值,以便在 Python 中使用或打印。
3(pred.argmax(1) == y).type(torch.float).sum().item()表示计算预测正确的样本数量,并将其作为一个标量值返回。
5、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()
三、调整模型
提高模型准确率的方法因模型类型、数据集特征和任务类型而异。通常有一些常见的方法来提高模型的准确率:
1.调整学习率(Learning Rate): 适当调整学习率可以帮助模型更快地收敛到最优解,或者避免陷入局部最优解。如果学习率过大,可能会导致训练不稳定;如果学习率过小,训练速度可能会很慢。因此,可以尝试不同的学习率值,选择最优的学习率。
2.调整模型复杂度: 增加或减少模型的层数、每层的隐藏单元数量或参数数量,以调整模型的复杂度。有时候,过于简单的模型会欠拟合数据,而过于复杂的模型会过拟合数据,因此需要根据实际情况来调整模型的复杂度。
3.调整批次大小(Batch Size): 增加或减少批次大小,可以影响模型的训练速度和泛化性能。
4.正则化(Regularization): 添加正则化项,如L1正则化或L2正则化,可以减少模型的复杂度,避免过拟合。
5.使用预训练模型: 使用在大规模数据集上预训练好的模型(如ImageNet上训练好的模型),然后在目标任务上微调模型参数,可以加速模型收敛并提高准确率。
6.数据增强(Data Augmentation): 通过对训练数据进行变换,如随机裁剪、旋转、缩放、翻转等,可以增加训练样本的多样性,帮助模型更好地泛化到新的样本上。
7.调整优化器(Optimizer): 尝试不同的优化器算法,如Adam、SGD等,并调整其参数。
8.特征工程(Feature Engineering): 对输入数据进行更好的特征提取和选择,可以提高模型的性能。
9.集成学习(Ensemble Learning): 将多个模型的预测结果进行集成,可以提高模型的稳定性和准确率。
1)调整学习率:现有的学习率lr=0.01结果如下,尝试了增大和减小学习率,并没有提高精确度,故没有展示调整之后的。
2)调整模型复杂度:全连接层的输出是64,现调整为800,虽然优化的不是很多,但确实有提高。(与调整学习率的图对比)
3)调整批次大小Batch Size。Batch Size=32,现调整为16,可见,准确率提高,损失减小。(与调整学习率的图对比)
4)调整训练次数epoch。epoch=5,现调整为10。准确率也会提高。(与调整学习率的图对比)