利于pytorch实现基于FashionMNIST的简单分类器|1小时pytorch代码入门

背景

这是一个很简单的分类器项目，来自于对pytorch官方文档的学习。麻雀虽小但五脏俱全，该项目中包括了深度学习模型实现的全流程，从数据集的准备、模型的搭建、损失函数和优化器的使用，及模型训练与保存等。俗话说，官网一出手就知有没有（我说的嘻嘻），如果你和我一样，是一个刚刚入门的小白，那么我建议你一定要自己动手敲几遍这个小项目的全部代码！！

项目介绍

本次任务使用FashionMNIST数据集来训练一个神经网络，预测输入图像是否属于以下类别之一。T恤/上衣、长裤、套头衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包或踝靴。

Fashion MNIST数据集介绍及下载数据集介绍传送门 —— Fashion MNIST数据集介绍及下载

完成一次深度学习模型的实践，主要包括几个部分：数据集的处理（dataset，dataloader），模型的搭建、loss函数和优化器的选择，训练模型代码以及测试模型代码。

数据格式

在训练、测试时，每次传入的都是一个batchsize的数据。

处理数据

PyTorch有两个处理数据的方法：Torch.utils.data.DataLoader和Torch.utils.data.Dataset。Dataset存储了样本及其相应的标签，而DataLoader则围绕Dataset包装了一个可迭代的数据。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose
import matplotlib.pyplot as plt
# PyTorch提供了特定领域的库，如TorchText、TorchVision和TorchAudio，它们都包括数据集，也有预训练好的模型。在本教程中，我们将使用一个TorchVision数据集。

torchvision.datasets模块包含了许多真实世界的视觉数据的数据集对象，如CIFAR、COCO。在本教程中，我们使用FashionMNIST数据集。每个TorchVision数据集都包括两个参数：transform和target_transform，分别用来修改样本和标签。

# Download training data from open datasets.
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
)
# Download test data from open datasets.
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor(),
)

这里将将数据集作为参数传递给DataLoader。这在我们的数据集上包裹了一个可迭代的数据集，并支持自动批处理、采样、洗牌(shuffle)和多进程（形参num_workers）数据加载。在这里，我们定义了一个64的批处理大小，即dataloader可迭代的每个元素将返回一个批次，包括64个元素的特征和标签。

tips：如果你是windows系统，num_workers使用默认值0就好了。如果使用其他值，会报错。原因请看俺的另一篇文章windows下pytorch的dataloader多进程（num_workers）问题，为何num_workers的值只能为0？-CSDN博客

batch_size = 64
​
# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)
​
for X, y in test_dataloader:
    print("Shape of X [N, C, H, W]: ", X.shape)  # X是图片数据
    print("Shape of y: ", y.shape, y.dtype)   # y是标签
    break
# Shape of X [N, C, H, W]:  torch.Size([64, 1, 28, 28]) 
# Shape of y:  torch.Size([64]) torch.int64

创建模型

为了在PyTorch中定义一个神经网络，我们创建一个继承自nn.Module的类。我们在__init__函数中定义网络的层，并在forward函数中指定数据将如何通过网络。为了加速神经网络的操作，如果有GPU的话，我们把它移到GPU上。

# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))
​
# Define model
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()  # python2的写法，同python3：super().__init__()，都是为了继承父类的方法
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )
​
    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits
​
model = NeuralNetwork().to(device)
print(model)
# 输出：
# Using cuda device
# NeuralNetwork(
#  (flatten): Flatten(start_dim=1, end_dim=-1)
#  (linear_relu_stack): Sequential(
#    (0): Linear(in_features=784, out_features=512, bias=True)
#    (1): ReLU()
#    (2): Linear(in_features=512, out_features=512, bias=True)
#    (3): ReLU()
#    (4): Linear(in_features=512, out_features=10, bias=True)
#  )
# )

优化模型参数

为了训练一个模型，我们需要一个损失函数和一个优化器。

# 损失函数就是一个函数，用来评价模型预测的结果和真实结果之间的差距，优化器提供了一个算法，通过不断的调节参数使得预测结果和真实结果的差距越来越小
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

• loss函数

  主要两个步骤：1、根据任务选择一个合适的loss函数；2、使用 --> 去官网看源码学习使用方法，一般主要看形参和形参的shape

• 优化器

  根据loss.backward()得到的梯度，去更新参数

在一个单一的训练循环中，模型对训练数据集（分批送入）进行预测，并通过反向传播预测误差来调整模型的参数。

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 数据样本的个数，即图片的张数
    model.train()   # 将模型置为训练状态
    for batch, (X, y) in enumerate(dataloader):
        # model.train()
        X, y = X.to(device), y.to(device)
​
        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)
​
        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
​
        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)  
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")
​
# 根据测试数据集检查模型的性能，以确保它在学习           
def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)  # batchsize的个数
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():     # 不进行自动求导，以节省gpu算力和显存
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()    # 每一行最大值的下标
            # https://zhuanlan.zhihu.com/p/409912530 —— argmax
    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")1
​
#训练过程是通过几个迭代（epochs）进行的。在每个epoch中，模型学习参数以做出更好的预测。我们在每个epoch中打印模型的准确度和损失；我们希望看到准确度在每个epoch中增加，损失在每个epoch中减少。    
epochs = 5
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model, loss_fn)
print("Done!")

保存模型

保存模型的一个常见方法是序列化内部状态字典（保存了模型参数）。

torch.save(model.state_dict(), "model.pth")

载入模型

加载模型的过程包括重新创建模型结构并将状态字典加载到其中。

model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))

模型预测

classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
] # dataset.classes应该可以访问
​
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
    pred = model(x)
    predicted, actual = classes[pred[0].argmax(0)], classes[y]
    print(f'Predicted: "{predicted}", Actual: "{actual}"')

​结

1. model.train()、model.eval()、with torch.no_grad(): 记得加！在进行反向传播时，优化器记得把梯度归零；

2. 放到GPU的参数，mdoel.to(device) or model.cuda()，loss函数，数据（input，target）

3. 如果是在gpu上训练的模型，在加载使用的时候可能有bug，设置map_location参数解决

4. 以上模型的超参数未调，uu们可以自己调几组试试结果，感受一下模型调参的过程