卷积神经网络（Covolution Neural Network，CNN）基础Pytorch实现

一直没上完的课，有时间抓紧来补课！！！
记下来 菜菜省的以后忘记，也分享有需要的人！！

import torch
import torch.nn.functional as F
import torch.optim as optimz  # 引入优化器模块
from torchvision import transforms  # 对图像处理
from torchvision import datasets  # 数据的读取
from torch.utils.data import DataLoader  # 加载和处理数据

batch_size = 64
# 数据处理的约定
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))])

# dataset prepare
# root 读取所有根文件目录，
train_dataset = datasets.MNIST(root='../hello/MNISTDATA', train=True, download=False, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
test_dataset = datasets.MNIST(root='../hello/MNISTDATA', train=False, download=False, transform=transform)
test_loader = DataLoader(train_dataset, shuffle=False, batch_size=batch_size)

# 下面定义的模型是针对 老师在第10课中最后留的作业，3个卷积层三个下采样层
# 三个全连接层 而且中间的一些层的基本属性做了变换，主要就是做好矩阵的相乘
# 不出问题前提下，随意构建，可以结合吴恩达老师深度学习卷积神经网络的课理
#解，会非常清晰
# module construction
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5, stride=1, padding=0) 
        #这里用了两种写法，可以写全，也可以直接数字 可以看下参数介绍加以理解 
        self.conv2 = torch.nn.Conv2d(in_channels=10, out_channels=20, kernel_size=[5, 5], stride=[1, 1], padding=[0, 0]) 
        # 核函数本身是m*n矩阵 不过是给定一个实数默认是方阵了，
        # 比如5*5，只要做好输出与下一层之间的一致性就ok
        self.conv3 = torch.nn.Conv2d(20, 24, kernel_size=2, stride=2, padding=1)
        self.pooling1 = torch.nn.MaxPool2d(kernel_size=[2, 2], stride=2, padding=0)
        self.pooling2 = torch.nn.MaxPool2d(kernel_size=3, stride=1, padding=0)
        self.pooling3 = torch.nn.MaxPool2d(kernel_size=2, stride=2, padding=0)
        self.fc1 = torch.nn.Linear(in_features=96, out_features=48, bias=False)
        self.fc2 = torch.nn.Linear(in_features=48, out_features=24, bias=False)
        self.fc3 = torch.nn.Linear(in_features=24, out_features=10, bias=False)

    def forward(self, x):
        batch_size = x.size(0)  # 样本数量 上面传入的时候就已经是64个batch了
        x = self.pooling1(F.relu(self.conv1(x)))
        x = self.pooling2(F.relu(self.conv2(x)))
        x = self.pooling3(F.relu(self.conv3(x)))
        x = x.view(batch_size, -1)  # 这里每组batch数据维度（64，320）
        x = self.fc1(x)
        x = self.fc2(x)
        x = self.fc3(x)
        return x

# 实例化模型
model = Net()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")  # 利用if语句，有cuda版本的化若使用语句就默认为True 此时使用电脑显卡0号位置，否则就使用cpu版本
model.to(device)  # to 把缓存 权重etc..都放入cuda中

# optimizer criterion 交叉熵损失函数和SGD优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optimz.SGD(model.parameters(), lr=0.01, momentum=0.5)


# dataset train and test
def train(epoch):
    running_loss = 0
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, labels = data
		#	引入cuda 然鹅我没有装cuda 
        inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad()  # 先进行优化器梯度清零
        y_pred = model(inputs)  # 前向传播
        loss = criterion(y_pred, labels)
        loss.backward()  # 损失反向传播
        optimizer.step()  # 优化器更新

        running_loss += loss.item()  # 注意item的使用转为实数
        if batch_idx % 300 == 299:  # 针对batch来说300轮统计一下信息
            print("[%d %5d] loss:%.3f" % (epoch + 1, batch_idx + 1, loss / 300))  # 使用到了字符串格式化输出


def test():
    correct = 0
    total = 0
    with torch.no_grad():
        for data in test_loader:
            inputs, labels = data

            inputs, labels = inputs.to(device), labels.to(device)

            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)  # 注意加上size 不然张量无法加数
            correct += (predicted == labels).sum().item()
            print('Test Accuracy is: %d %%' % (correct * 100 / total))

if __name__ == '__main__':
    for epoch in range(5):  # 注意循环体的写法
        train(epoch)
        test()

# % 97%-98% 提升1个百分点   换个方向说确实错误率从3%-2% 降低了1/3  有30%的改进。 所以看论文 看清从什么角度

代码中的疑惑
1.针对模块导入 datasets、transforms、DataLoader的介绍

2.关于数据的读取参阅此博客

3.关于%d的使用 可以参考这篇博文 感谢！

4.关于下划线的含义 可以看看

5.b站吴恩达老师对卷积神经网络的讲解，谢谢老师！