torch04：全连接神经网络--MNIST识别和自己数据集

MachineLP的Github（欢迎follow）：https://github.com/MachineLP

MachineLP的博客目录：小鹏的博客目录

本小节使用torch搭建线性回归模型，训练和测试：

（1）定义模型超参数：输入大小、隐含层、输出、迭代次数、批量大小、学习率。

（2）定义训练数据，加餐部分是使用自己的数据集：（可参考：https://blog.csdn.net/u014365862/article/details/80506147）

（3）定义模型（定义全连接神经网络）。

（4）定义损失函数，选用适合的损失函数。

（5）定义优化算法（SGD、Adam等）。

（6）保存模型。

---------------------------------我是可爱的分割线---------------------------------

代码部分：

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms


# 判定GPU是否存在
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 定义超参数
input_size = 784
hidden_size = 500
num_classes = 10
num_epochs = 5
batch_size = 100
learning_rate = 0.001

# 手写体数据
train_dataset = torchvision.datasets.MNIST(root='./data', 
                                           train=True, 
                                           transform=transforms.ToTensor(),  
                                           download=True)

test_dataset = torchvision.datasets.MNIST(root='./data', 
                                          train=False, 
                                          transform=transforms.ToTensor())

# 构建数据管道， 使用自己的数据集请参考：https://blog.csdn.net/u014365862/article/details/80506147  
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, 
                                           batch_size=batch_size, 
                                           shuffle=True)

test_loader = torch.utils.data.DataLoader(dataset=test_dataset, 
                                          batch_size=batch_size, 
                                          shuffle=False)

# 定义含有一个隐含层的全连接神经网络。
class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size) 
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)  
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 定义模型
model = NeuralNet(input_size, hidden_size, num_classes).to(device)

# 损失函数和优化算法
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)  

# 训练模型
total_step = len(train_loader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):  
        # Move tensors to the configured device
        images = images.reshape(-1, 28*28).to(device)
        labels = labels.to(device)
        
        # 前向传播和计算loss
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 后向传播和调整参数
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        # 每100个batch打印一次数据
        if (i+1) % 100 == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}' 
                   .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

# 模型测试部分
# 测试阶段不需要计算梯度，注意
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, 28*28).to(device)
        labels = labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print('Accuracy of the network on the 10000 test images: {} %'.format(100 * correct / total))

# 保存模型参数
torch.save(model.state_dict(), 'model.ckpt')

加餐：在自己数据集上使用：

其中，train.txt中的数据格式：

gender/0male/0(2).jpg 1
gender/0male/0(3).jpeg 1
gender/0male/0(1).jpg 0

test.txt中的数据格式如下：

gender/0male/0(3).jpeg 1
gender/0male/0(1).jpg 0

gender/1female/1(6).jpg 1

代码部分：

# coding=utf-8
import torch
import torch.nn as nn
import torchvision
from torch.utils.data import Dataset, DataLoader  
from torchvision import transforms, utils  
from PIL import Image


# 判定GPU是否存在
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 定义超参数
input_size = 784*3
hidden_size = 500
num_classes = 10
num_epochs = 5
batch_size = 16
learning_rate = 0.001

def default_loader(path):  
    # 注意要保证每个batch的tensor大小时候一样的。  
    return Image.open(path).convert('RGB')  
  
class MyDataset(Dataset):  
    def __init__(self, txt, transform=None, target_transform=None, loader=default_loader):  
        fh = open(txt, 'r')  
        imgs = []  
        for line in fh:  
            line = line.strip('\n')  
            # line = line.rstrip()  
            words = line.split(' ')  
            imgs.append((words[0],int(words[1])))  
        self.imgs = imgs  
        self.transform = transform  
        self.target_transform = target_transform  
        self.loader = loader  
      
    def __getitem__(self, index):  
        fn, label = self.imgs[index]  
        img = self.loader(fn)  
        if self.transform is not None:  
            img = self.transform(img)  
        return img,label  
      
    def __len__(self):  
        return len(self.imgs)  
  
def get_loader(dataset='train.txt', crop_size=128, image_size=28, batch_size=2, mode='train', num_workers=1):  
    """Build and return a data loader."""  
    transform = []  
    if mode == 'train':  
        transform.append(transforms.RandomHorizontalFlip())  
    transform.append(transforms.CenterCrop(crop_size))  
    transform.append(transforms.Resize(image_size))  
    transform.append(transforms.ToTensor())  
    transform.append(transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5)))  
    transform = transforms.Compose(transform)  
    train_data=MyDataset(txt=dataset, transform=transform)  
    data_loader = DataLoader(dataset=train_data,  
                                  batch_size=batch_size,  
                                  shuffle=(mode=='train'),  
                                  num_workers=num_workers)  
    return data_loader  
# 注意要保证每个batch的tensor大小时候一样的。  
# data_loader = DataLoader(train_data, batch_size=2,shuffle=True)  
train_loader = get_loader('train.txt', batch_size=batch_size)  
print(len(train_loader))  
test_loader = get_loader('test.txt', batch_size=batch_size)  
print(len(test_loader))  

# 定义含有一个隐含层的全连接神经网络。
class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size) 
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)  
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 定义模型
model = NeuralNet(input_size, hidden_size, num_classes).to(device)

# 损失函数和优化算法
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)  

# 训练模型
total_step = len(train_loader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):  
        # Move tensors to the configured device
        images = images.reshape(-1, 28*28*3).to(device)
        labels = labels.to(device)
        # print (images, labels)
        
        # 前向传播和计算loss
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 后向传播和调整参数
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        # 每100个batch打印一次数据
        if (i+1) % 100 == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}' 
                   .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

# 模型测试部分
# 测试阶段不需要计算梯度，注意
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, 28*28*3).to(device)
        labels = labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print('Accuracy of the network on the 10000 test images: {} %'.format(100 * correct / total))

# 保存模型参数
torch.save(model.state_dict(), 'model.ckpt')

总结：

加餐部分加入：在自己数据集上使用torch，是不是犹如画龙点睛的一笔，可以训练自己的很多分类模型，剩下的部分主要在搭建模型了，后面我们慢慢搞起来。 

上面加餐部分需要生成自己的txt文件（数据+标签），可以参考这个，自己以前调试用的：https://github.com/MachineLP/py_workSpace/blob/master/g_img_path.py

torch系列：

1. torch01：torch基础

2. torch02：logistic regression--MNIST识别

3. torch03：linear_regression