pytorch学习-从入门到mnist(二)
标签: pytorch
前面pytorch学习-从入门到mnist(一)已经说了如何定义网络,如何使用优化器,以及如何进行梯度下降。并且使用回归问题做了测试。这里要使用神经网络最常用的mnist搭建一个简单的CNN进行预测。至于什么是CNN以及卷积层,池化层这里不展开说明。
加载mnist数据集
pytorch提供了专门的函数来加载mnist,并且进行了专门的处理,会处理成两个pt文件,并且存放在单独的文件夹里面,所以这里需要用pytorch自带的方法进行下载处理,我开始就是把以前的数据集放到根目录下,最后总是出错,发现就是pytroch在处理数据集的时候会先转成pt文件,而这个文件我没有。
import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision
import matplotlib.pyplot as plt
EPOCH = 12
BATCH_SIZE = 50
LR = 0.001
DOWNLOAD_MNIST = True # 第一次用True,以后用False
train_set = torchvision.datasets.MNIST(
root ='./data',
train = True,
transform=torchvision.transforms.ToTensor(),# 直接把格式转为tensor
download=DOWNLOAD_MNIST
)
# 放到加载器中
train_loader = Data.DataLoader(dataset=train_set,
batch_size = BATCH_SIZE,
shuffle=True)
搭建网络
# Model
class CNN(torch.nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Sequential(
nn.Conv2d(in_channels=1,
out_channels=16,
kernel_size=5,
stride=1,
padding = 2),
nn.ReLU(),#(16,28,28)
nn.MaxPool2d(kernel_size=2)
) #(16,14,14)
self.conv2 = nn.Sequential(
nn.Conv2d(16,32,5,1,2),
nn.ReLU(),#(32,14,14)
nn.MaxPool2d(2)
)#(32,7,7)
self.out = nn.Linear(32*7*7,10)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0),-1) # batch_size ,32*7*7
out = self.out(x)
return out,x
net = CNN()
单纯的卷积,激活,池化,卷积激活池化,最后展平,全连接。
优化器,损失,迭代
# 优化器
optimizer = torch.optim.Adam(net.parameters(),lr=0.01)
# 交叉熵损失
loss_f = torch.nn.CrossEntropyLoss()
for e in range(EPOCH):
for step,(bx,by) in enumerate(train_loader):
predict,last_layer = net(bx)
optimizer.zero_grad() # 梯度清零
# 这里交叉熵损失第一个参数一定要是预测的,第二个才是真实的
# 并且预测的不需要过softmax,因为交叉熵损失内部经过了一次
# 真实值也不需要进行one-hot,同样因为交叉熵内部帮忙转化了
loss_v = loss_f(predict,by)
loss_v.backward() # 反向
optimizer.step() # 更新
if step%100 ==0:
acc = float(torch.sum(torch.max(predict,dim =1)[1]==by))/50.0
print("epoch {},step {} acc is {}".format(e,step,acc))