#PyTorch_MNIST手写数字辨识范例程序分析

最新推荐文章于 2024-07-11 03:28:57 发布

CLC-overflow

最新推荐文章于 2024-07-11 03:28:57 发布

阅读量929

点赞数 23

文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/shyhkaelo/article/details/134635873

版权

目录标题

A.完整代码
B.模组
C. Class
- a. 初始化实例
- - b. forward 方法
D. Train
E. Test
F. Main

A.完整代码

PyTorch 范例程序如下

from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output


def train(args, 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)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
            if args.dry_run:
                break


def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += F.nll_loss(output, target, reduction='sum').item()  # sum up batch loss
            pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))


def main():
    # Training settings
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=14, metavar='N',
                        help='number of epochs to train (default: 14)')
    parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
                        help='learning rate (default: 1.0)')
    parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
                        help='Learning rate step gamma (default: 0.7)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--no-mps', action='store_true', default=False,
                        help='disables macOS GPU training')
    parser.add_argument('--dry-run', action='store_true', default=False,
                        help='quickly check a single pass')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                        help='how many batches to wait before logging training status')
    parser.add_argument('--save-model', action='store_true', default=False,
                        help='For Saving the current Model')
    args = parser.parse_args()
    use_cuda = not args.no_cuda and torch.cuda.is_available()
    use_mps = not args.no_mps and torch.backends.mps.is_available()

    torch.manual_seed(args.seed)

    if use_cuda:
        device = torch.device("cuda")
    elif use_mps:
        device = torch.device("mps")
    else:
        device = torch.device("cpu")

    train_kwargs = {'batch_size': args.batch_size}
    test_kwargs = {'batch_size': args.test_batch_size}
    if use_cuda:
        cuda_kwargs = {'num_workers': 1,
                       'pin_memory': True,
                       'shuffle': True}
        train_kwargs.update(cuda_kwargs)
        test_kwargs.update(cuda_kwargs)

    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
        ])
    dataset1 = datasets.MNIST('../data', train=True, download=True,
                       transform=transform)
    dataset2 = datasets.MNIST('../data', train=False,
                       transform=transform)
    train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
    test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)

    model = Net().to(device)
    optimizer = optim.Adadelta(model.parameters(), lr=args.lr)

    scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
    for epoch in range(1, args.epochs + 1):
        train(args, model, device, train_loader, optimizer, epoch)
        test(model, device, test_loader)
        scheduler.step()

    if args.save_model:
        torch.save(model.state_dict(), "mnist_cnn.pt")


if __name__ == '__main__':
    main()

B.模组

确保 Python 2 和 Python 3 的兼容性，使 print 函数的使用更加一致。

from __future__ import print_function

用于处理命令行参数的库。

import argparse

PyTorch 主要庫。

import torch

PyTorch 中的神经网络模块。

import torch.nn as nn

包含各种激活函数和损失函数的库。

import torch.nn.functional as F

包含不同优化器的库。

import torch.optim as optim

包含用于处理图像数据集的工具。

from torchvision import datasets, transforms

用于调整学习率的类别。

from torch.optim.lr_scheduler import StepLR

C. Class

Net 继承 PyTorch 中的神经网络模块。

class Net(nn.Module):

a. 初始化实例

两个卷积层 conv1, conv2
nn.Conv2d(输入通道数, 输出通道数, 卷积核的大小, 步长)。
两个 dropout 层 dropout1, dropout2
训练过程随机将神经元抑制，防止过拟合。
两个全连接层 fc1, fc2
nn.Linear(输入特征数, 输出特征数)。

    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

b. forward 方法

此处定义神经网络各层的排列顺序。

conv1+conv2

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

D. Train

定义训练函数 train与输入变量。

def train(args, model, device, train_loader, optimizer, epoch):

将模型设定为训练模式，以启用 Batch Normalization 和 Dropout。

    model.train()

通过 enumerate(train_loader)进行批次的迭代训练，并将数据移动到指定的设备（CPU 或 GPU 等）。

    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)

将优化器的梯度归零。

        optimizer.zero_grad()

通过模型将数据向前传播。

        output = model(data)

以负对数似然损失函数（The negative log likelihood loss）计算损失。

        loss = F.nll_loss(output, target)

反向传播计算梯度。

        loss.backward()

更新模型参数。

        optimizer.step()

输出当前状态。

        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
            if args.dry_run:
                break

E. Test

定义测试函数 test与输入变量。

def test(model, device, test_loader):

将模型设置为测试模式，禁用 Batch Normalization 和 Dropout。

    model.eval()
    test_loss = 0
    correct = 0

以上下文管理器防止测试过程中进行梯度计算。

    with torch.no_grad():

迭代测试数据集的每个批次。

        for data, target in test_loader:

将数据移动到指定的设备（CPU 或 GPU 等）。

            data, target = data.to(device), target.to(device)

计算输出

            output = model(data)

累加测试损失。

            test_loss += F.nll_loss(output, target, reduction='sum').item()  # sum up batch loss

获取最大对数概率的索引。

            pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability

累加正确预测的数量。

            correct += pred.eq(target.view_as(pred)).sum().item()

计算平均损失和准确度，并输出到终端。

    test_loss /= len(test_loader.dataset)

打印结果。

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

F. Main

main是整个 Python 脚本的入口，用以初始化参数，以及组织训练、测试流程。

def main():

使用 argparse 解析命令行参数，包含训练过程的超参数（Hyperparameters）如批次大小（Batch size）--batch-size、学习率（Learning rate）--lr、训练周期数（Epochs）--epochs。

    # Training settings
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=14, metavar='N',
                        help='number of epochs to train (default: 14)')
    parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
                        help='learning rate (default: 1.0)')
    parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
                        help='Learning rate step gamma (default: 0.7)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--no-mps', action='store_true', default=False,
                        help='disables macOS GPU training')
    parser.add_argument('--dry-run', action='store_true', default=False,
                        help='quickly check a single pass')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                        help='how many batches to wait before logging training status')
    parser.add_argument('--save-model', action='store_true', default=False,
                        help='For Saving the current Model')
    args = parser.parse_args()

设定设备。

    use_cuda = not args.no_cuda and torch.cuda.is_available()
    use_mps = not args.no_mps and torch.backends.mps.is_available()

设置随机种子，确保训练的可重复性。

    torch.manual_seed(args.seed)

根据设定选择设备类型。

    if use_cuda:
        device = torch.device("cuda")
    elif use_mps:
        device = torch.device("mps")
    else:
        device = torch.device("cpu")

准备训练和测试数据，使用 Python 的 Dataloader 将训练以及测试数据转换为可迭代的数据加载器。

    train_kwargs = {'batch_size': args.batch_size}
    test_kwargs = {'batch_size': args.test_batch_size}
    if use_cuda:
        cuda_kwargs = {'num_workers': 1,
                       'pin_memory': True,
                       'shuffle': True}
        train_kwargs.update(cuda_kwargs)
        test_kwargs.update(cuda_kwargs)

    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
        ])
    dataset1 = datasets.MNIST('../data', train=True, download=True,
                       transform=transform)
    dataset2 = datasets.MNIST('../data', train=False,
                       transform=transform)
    train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
    test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)

创建神经网络模型 Net 将其移动到指定的设备，采用优化器 Adadelta 并初始化。

    model = Net().to(device)
    optimizer = optim.Adadelta(model.parameters(), lr=args.lr)

设置学习率调整策略，此处采用 StepLR，也就是每个 epoch 调整一次学习率。

    scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)

执行训练以及测试。

    for epoch in range(1, args.epochs + 1):
        train(args, model, device, train_loader, optimizer, epoch)
        test(model, device, test_loader)
        scheduler.step()

根据命令行参数决定是否保存训练好的模型。

    if args.save_model:
        torch.save(model.state_dict(), "mnist_cnn.pt")