[PyTorch] 基于Python和PyTorch的MNIST的手写数字数据集的分类

原文地址为：https://blog.csdn.net/qq_41683065/article/details/91374189

讲解

MNIST的介绍
好比编程入门有 Hello World，机器学习入门有 MNIST 。

MNIST的官方网址：THE MNIST DATABASE of handwritten digits
而本博客中MNIST的介绍部分的图片来自 MNIST介绍

简单来说，MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片。
其中训练集包括60000张图片，测试集包括10000张图片。

训练集和测试集的划分非常重要。在机器学习模型设计时必须有一个单独的测试集（不用于训练而是用来评估这个模型的性能），才能更容易把模型推广到其他数据集上（泛化）。

MNIST的每一张图片包含 28X28 个像素点。我们可以用一个数组来表示这张图片：

我们把这个数组展开成一个向量，长度是 28x28 = 784。如何展开这个数组（数字间的顺序）不重要，只要保持各个图片采用相同的方式展开。从这个角度来看，MNIST数据集的图片就是在784维向量空间里面的点, 并且拥有比较部分。

须导入的函数库

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms

检查 pytorch 的版本

print(torch.__version__)                      

定义超参数

BATCH_SIZE=512  	# batch_size即每批训练的样本数量
EPOCHS=20			# 循环次数

# 让torch判断是否使用GPU，即device定义为CUDA或CPU
DEVICE=torch.device("cuda" if torch.cuda.is_available() else "cpu")    

batch_size 和 epoch 的意义详见本人的另一篇博客 神经网络中的 batch 和 epoch，有很详细的描述。所以在这里就不讲了。

设定超参数DEVICE的意义：
在网络实例化的时候，用.to(DEVICE)将实例化的网络放到相应的CPU或GPU上。

下载 MNIST的数据集

# 训练集
train_loader = torch.utils.data.DataLoader(                 # vision.utils : 用于把形似 (3 x H x W) 的张量保存到硬盘中，给一个mini-batch的图像可以产生一个图像格网。
        datasets.MNIST('data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),       # 图像转化为Tensor
                           transforms.Normalize((0.1307,), (0.3081,))       # 标准化
                       ])),
        batch_size=BATCH_SIZE, shuffle=True)            # shuffle() 方法将序列的所有元素随机排序

# 测试集
test_loader = torch.utils.data.DataLoader(
        datasets.MNIST('data', train=False, transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=BATCH_SIZE, shuffle=True)            # shuffle() 方法将序列的所有元素随机排序

关于batch_size，在本人的另一篇博客 神经网络中的 batch 和 epoch专门讲过，算是非常基本和重要的概念。

定义网络
下面我们定义一个网络。

网络首先包含两个卷积层conv1和conv2。

之后接着两个全连接层（Linear）fc1和fc2得到输出。
需要特别注意：Linear需要接收的是展平后的多维的卷积成的特征图（借用view()函数） 。

最后输出10个维度，作为0-9的标识来确定是哪个数字

建议：
最好将每一层的输入和输出维度都作为注释标注出来，这样后面阅读代码的会方便很多。

class ConvNet(nn.Module):
    def __init__(self):
        super().__init__()
        # 128x28
        self.conv1=nn.Conv2d(1,10,5)         # 10, 24x24
        self.conv2=nn.Conv2d(10, 20,3)       #128, 10x10
        self.fc1=nn.Linear(20*10*10, 500)
        self.fc2=nn.Linear(500, 10)
    def forward(self, x):
        in_size=x.size(0)		# in_size 为 batch_size（一个batch中的Sample数）
        # 卷积层 -> relu -> 最大池化
        out = self.conv1(x)     # 24
        out = F.relu(out)
        out = F.max_pool2d(out, 2, 2)  # 12
        #卷积层 -> relu -> 多行变一行 -> 全连接层 -> relu -> 全连接层 -> sigmoid
        out = self.conv2(out)  # 10
        out = F.relu(out)
        out = out.view(in_size, -1)     # view()函数作用是将一个多行的Tensor,拼接成一行。
        out = self.fc1(out)
        out = F.relu(out)
        out = self.fc2(out)
        # softmax
        out = F.log_softmax(out, dim=1)
        # 返回值 out
        return out

卷积层函数nn.Conv2d()的参数意义，详见本人的另一篇博客 卷积函数 and 解卷积函数，里面对in_channel、out_channel和in_size、out_size有详细的讲解。

然后我们按整个流程来走一遍前向传播

网络结构 函数
卷积层 self.conv1()
激活函数 F.relu()
最大池化层 F.max_pool2d()
卷积层 self.conv2()
激活函数 F.relu()
全连接层预处理 out = out.view(in_size, -1)
线性层 self.fc1()
激活函数 F.relu()
线性层 self.fc2()
变为概率 out = F.log_softmax(out, dim=1)

特征提取开始
第一个卷积层self.conv1=nn.Conv2d(1,10,5) ：
其参数意义为：

• 输入通道为 1 （输入图像是灰度图）
• 输出通道为 10（10分类问题，所以需要用到的卷积核就有 10 种）
• 卷积核 kernel_size为 5×5

24输出维度 = 28输入维度 - 5卷积核size + 1
所以输出 shape 为：10 × 24 × 24

第一个激活函数out = F.relu(out)
输出维度不变仍为 10 × 24 × 24

第一个最大池化层out = F.max_pool2d(out, 2, 2)
该最大池化层在 2x2 空间里向下采样。
12输出维度 = 24输入维度 / 2。
所以输出 shape 为：10 × 12 × 12

第二个卷积层self.conv2=nn.Conv2d(10, 20,3)
其参数意义为：

• 输入通道为 10 （第一个最大池化层的输出通道数）
• 输出通道为 20 （需要用到的卷积核就有 20 种）
• 卷积核kernel_size为 3×3

10输出维度 = 12输入维度 - 3卷积核size + 1
所以输出 shape 为：20 × 10 × 10

第二个激活函数out = F.relu(out)
特征提取结束
输出前的数据预处理
因为全连接层Linear的输出为最后的输出，而全连接层Linear要求的输入为展平后的多维的卷积成的特征图（特征图为特征提取部分的结果）（这一点在介绍网络结构的时候专门拿黄色强调了）

out = out.view(in_size, -1)

将 in_size（即batch_size）个Sample拉成一维。-1表示列自适应。（关于Sample、batch、batch_size的讲解见本人的另一篇博客 神经网络中的 batch 和 epoch）。
输出前的数据预处理结束
输出即全连接层

第一个全连接层self.fc1=nn.Linear(20*10*10, 500)
输入维度为 20 * 10 * 10= 2000
设定的输出维度为 500 × 1

第三个激活函数out = F.relu(out)
输出维度不变，仍为 500 × 1

第二个全连接层self.fc2=nn.Linear(500, 10)
输入维度为 500 × 1
输出维度设定为 10 × 1（因为是一个10分类的问题，所以最后要变成 10 × 1）

第三个激活函数out = F.log_softmax(out, dim=1)
用F.log_softmax()将数据的范围改到[0, 1]之内，表示概率。
输出维度仍为 10 × 1，其值可以视为概率。

return(out)

输出即全连接层结束

网络实例化

我们网络将实例化，加入输入输出接口，实例化后使用.to(DEVICE)方法将网络移动到CPU或GPU。（DEVICE见超参数设定）

model = ConvNet().to(DEVICE)

定义训练函数

将训练的所有操作都封装到train函数中
在训练模型时直接调用train函数即可。

train函数需要传入的参数有；

• model——实例化的网络
• device——决定tensor运算的位置
• train_loader——训练集数据
• optimizer——优化器
• epoch——训练次数

第二行的model.train()将模型转为训练模式，因为一些模块在train和evaluation表现不同（比如Dropout）

定义 训练函数 ，将训练的所有操作都封装到train函数中

def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)       # CPU转GPU
        optimizer.zero_grad()               # 优化器清零
        output = model(data)                # 由model，计算输出值
        loss = F.nll_loss(output, target)   # 计算损失函数loss
        loss.backward()                     # loss反向传播
        optimizer.step()                    # 优化器优化
        if(batch_idx+1)%30 == 0:            # 输出结果
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
# -------------------------------------------------------------

enumerate()函数的讲解，可见本人的另一篇博客 索引序列函数：enumerate() / enumerate(sequence, start=0)。
简单来说这是个enumerate()用于for循环的例子。
enumerate(train_loader)将train_loader组合成了一个索引序列，为 数据 增加了 数据下标。
在 for batch_idx, (data, target) in enumerate(train_loader):这一行中，
我们通过batch_idx来获取数据下标，用data获得待处理的数据（由手写数字的image转成的，被标准化的tensor，详见训练数据集下载的part），用target获取实际值。最后由for循环遍历整个train_loader。

定义测试函数
将测试的所有操作都封装到test函数中
在测试模型时直接调用test函数即可。

test函数需要传入的参数有；

• model——实例化的网络
• device——决定tensor运算的位置
• test_loader——训练集数据

# ---------------------测试函数------------------------------
# 测试的操作也一样封装成一个函数
def test(model, device, test_loader):
    test_loss = 0                           # 损失函数初始化为0
    correct = 0                             # correct 计数分类正确的数目
    with torch.no_grad():           # 表示不反向求导（反向求导为训练过程）
        for data, target in test_loader:    # 遍历所有的data和target
            data, target = data.to(device), target.to(device)   # CPU -> GPU
            output = model(data)            # output为预测值，由model计算出
            test_loss += F.nll_loss(output, target, reduction='sum').item()     ### 将一批的损失相加
            pred = output.max(1, keepdim=True)[1]       ### 找到概率最大的下标
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset) 	# 总损失除数据集总数
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))
# ---------------------------------------------------------------

with torch.no_grad()表示不反向求导。训练过程需要反向求导（去更新优化模型参数），测试过程不需要反向求导。

for data, target in test_loader:为遍历整个test_loader，分别用data，target 获取待处理的tensor和实际值。

correct += pred.eq(target.view_as(pred)).sum().item()中的.view_as(pred)是改变shape的函数（详细见本人的另一篇博客 更改矩阵形状——.reshape(m,n)和.view(m,n)和view_as(tensor)）。
在这里target.view_as(pred)将target的shape变成了和pred一样（shape统一了才能用.eq()比较）

主函数

进行网络的训练和测试。

# 下面开始训练，这里就体现出封装起来的好处了，只要写两行就可以了
# 整个数据集只过一遍
for epoch in range(1, EPOCHS + 1):
    train(model, DEVICE, train_loader, optimizer, epoch)
    test(model, DEVICE, test_loader)

range(1, EPOCHS + 1)表示执行EPOCHS次。

全部源代码

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms   
# torchvision是独立于pytorch的关于图像操作的一些方便工具库。
# vision.datasets : 几个常用视觉数据集，可以下载和加载
# vision.models : 流行的模型，例如 AlexNet, VGG, ResNet 和 Densenet 以及训练好的参数。
# vision.transforms : 常用的图像操作，例如：数据类型转换，图像到tensor ,numpy 数组到tensor , tensor 到 图像等。
# vision.utils : 用于把形似 (3 x H x W) 的张量保存到硬盘中，给一个mini-batch的图像可以产生一个图像格网

print(torch.__version__)                        # 检查 pytorch 的版本

# 定义一些超参数
BATCH_SIZE=512                                  # batch_size即每批训练的样本数量
EPOCHS=20                                       # 循环次数
DEVICE=torch.device("cuda" if torch.cuda.is_available() else "cpu")     # 让torch判断是否使用GPU，即device定义为CUDA或CPU

# 下载 MNIST的数据集
# 训练集
train_loader = torch.utils.data.DataLoader(                 # vision.utils : 用于把形似 (3 x H x W) 的张量保存到硬盘中，给一个mini-batch的图像可以产生一个图像格网。
        datasets.MNIST('data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),       # 图像转化为Tensor
                           transforms.Normalize((0.1307,), (0.3081,))       # 标准化（参数不明）
                       ])),
        batch_size=BATCH_SIZE, shuffle=True)            # shuffle() 方法将序列的所有元素随机排序

# 测试集
test_loader = torch.utils.data.DataLoader(
        datasets.MNIST('data', train=False, transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=BATCH_SIZE, shuffle=True)            # shuffle() 方法将序列的所有元素随机排序


# 下面我们定义一个网络，网络包含两个卷积层，conv1和conv2，
# 然后紧接着两个线性层作为输出，
# 最后输出10个维度，这10个维度我们作为0-9的标识来确定识别出的是那个数字

# 这里建议大家将每一层的输入和输出维度都作为注释标注出来，这样后面阅读代码的会方便很多
class ConvNet(nn.Module):
    def __init__(self):
        super().__init__()
        # 128x28
        self.conv1=nn.Conv2d(1,10,5)         # 10, 24x24
        self.conv2=nn.Conv2d(10, 20,3)       #128, 10x10
        self.fc1=nn.Linear(20*10*10, 500)
        self.fc2=nn.Linear(500, 10)
    def forward(self, x):
        in_size=x.size(0)		# in_size 为 batch_size（一个batch中的Sample数）
        # 卷积层 -> relu -> 最大池化
        out = self.conv1(x)     # 24
        out = F.relu(out)
        out = F.max_pool2d(out, 2, 2)  # 12
        #卷积层 -> relu -> 多行变一行 -> 全连接层 -> relu -> 全连接层 -> sigmoid
        out = self.conv2(out)  # 10
        out = F.relu(out)
        out = out.view(in_size, -1)     # view()函数作用是将一个多行的Tensor,拼接成一行。
        out = self.fc1(out)
        out = F.relu(out)
        out = self.fc2(out)
        # softmax
        out = F.log_softmax(out, dim=1)
        # 返回值 out
        return out
        
# 我们实例化一个网络，实例化后使用“.to”方法将网络移动到GPU
model = ConvNet().to(DEVICE)

# 优化器我们也直接选择简单暴力的Adam
optimizer = optim.Adam(model.parameters())


# 定义 训练函数 ，我们将训练的所有操作都封装到train函数中
def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)       # CPU转GPU
        optimizer.zero_grad()               # 优化器清零
        output = model(data)                # 由model，计算输出值
        loss = F.nll_loss(output, target)   # 计算损失函数loss
        loss.backward()                     # loss反向传播
        optimizer.step()                    # 优化器优化
        if(batch_idx+1)%30 == 0:            # 输出结果
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
# -------------------------------------------------------------

# ---------------------测试函数------------------------------
# 测试的操作也一样封装成一个函数
def test(model, device, test_loader):
    test_loss = 0                           # 损失函数初始化为0
    correct = 0                             # correct 计数分类正确的数目
    with torch.no_grad():           # 表示不反向求导（反向求导为训练过程）
        for data, target in test_loader:    # 遍历所有的data和target
            data, target = data.to(device), target.to(device)   # CPU -> GPU
            output = model(data)            # output为预测值，由model计算出
            test_loss += F.nll_loss(output, target, reduction='sum').item()     ### 将一批的损失相加
            pred = output.max(1, keepdim=True)[1]       ### 找到概率最大的下标
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset) 	# 总损失除数据集总数
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))
# ---------------------------------------------------------------

# 下面开始训练，这里就体现出封装起来的好处了，只要写两行就可以了
# 整个数据集只过一遍
for epoch in range(1, EPOCHS + 1):
    train(model, DEVICE, train_loader, optimizer, epoch)
    test(model, DEVICE, test_loader)