PyTorch学习之路2——实现LeNet

使用pytorch实现LeNet

# LeNet5
import torch
import torch.nn as nn
import torch.nn.functional as F

"""
神经网络的典型训练过程如下：

定义包含一些可学习的参数(或者叫权重)神经网络模型；
在数据集上迭代；
通过神经网络处理输入；
计算损失(输出结果和正确值的差值大小)；
将梯度反向传播回网络的参数；
更新网络的参数，主要使用如下简单的更新原则： weight = weight - learning_rate * gradient
"""

class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 26.定义①的卷积层，输入为32x32的图像，卷积核大小5x5卷积核种类6
        self.conv1 = nn.Conv2d(3, 6, 5)
        # 27.定义③的卷积层，输入为前一层6个特征，卷积核大小5x5，卷积核种类16
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 28.定义⑤的全链接层，输入为16*5*5，输出为120
        self.fc1 = nn.Linear(16 * 5 * 5, 120)  # 6*6 from image dimension
        # 29.定义⑥的全连接层，输入为120，输出为84
        self.fc2 = nn.Linear(120, 84)
        # 30.定义⑥的全连接层，输入为84，输出为10
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 31.完成input-S2，先卷积+relu，再2x2下采样
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # 32.完成S2-S4，先卷积+relu，再2x2下采样
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) #卷积核方形时，可以只写一个维度
        # 33.将特征向量扁平成列向量
        x = x.view(-1, 16 * 5 * 5)
        # 34.使用fc1+relu
        x = F.relu(self.fc1(x))
        # 35.使用fc2+relu
        x = F.relu(self.fc2(x))
        # 36.使用fc3
        x = self.fc3(x)
        return x

"""
``torch.nn`` 只支持小批量输入。整个 ``torch.nn`` 包都只支持小批量样本，
而不支持单个样本。 例如，``nn.Conv2d`` 接受一个4维的张量， ``每一维分别是
sSamples * nChannels * Height * Width（样本数*通道数*高*宽）``。 如果你
有单个样本，只需使用 ``input.unsqueeze(0)`` 来添加其它的维数
"""
net = Net()
print(net)

# 打印网络参数
params = list(net.parameters())
# print(params)
print(len(params))

# 打印某一层参数的形状
print(params[0].size())

# 随机输入一个向量，查看前向传播输出
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

# 将梯度初始化
net.zero_grad()

# 随机一个梯度进行反向传播
out.backward(torch.randn(1, 10))

# 用自带的MSELoss()定义损失函数
criterion = nn.MSELoss()

# 随机一个真值，并用随机的输入计算损失
target = torch.randn(10)  # 随机真值
target = target.view(1, -1)  # 变成列向量

output = net(input)  # 用随机输入计算输出

loss = criterion(output, target)  # 计算损失
print(loss)

# 将梯度初始化，计算上一步中loss的反向传播
net.zero_grad()

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

# 计算loss的反向传播
loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

# 更新权重
# 定义SGD优化器算法，学习率设置为0.01
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 使用优化器更新权重
optimizer.zero_grad()
output = net(input)
loss = criterion(output, target)
loss.backward()

# 更新权重
optimizer.step(

# 读取CIFAR10数据，做标准化
# 构造一个transform，将三通道(0,1)区间的数据转换成(-1,1)的数据
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 读取数据集
trainset = cifar(root = './input/cifar10', segmentation='train', transforms=transform)
testset = cifar(root = './input/cifar10', segmentation='test', transforms=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

# 这部分沿用前面的网络
net2 = Net()

# 定义交叉熵损失函数
criterion2 = nn.CrossEntropyLoss()

# 定义SGD优化器算法，学习率设置为0.001，momentum=0.9
optimizer2 = optim.SGD(net2.parameters(), lr=0.001, momentum=0.9)

# 训练网络
for epoch in range(2):

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取X,y对
        inputs, labels = data

        # 51.初始化梯度
        optimizer2.zero_grad()

        # 52.前馈
        outputs = net2(inputs)
        # 53.计算损失
        loss = criterion2(outputs, labels)
        # 54.计算梯度
        loss.backward()
        # 55.更新权值
        optimizer2.step()

        # 每2000个数据打印平均代价函数值
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')