mnist torch加载fashion_pytorch进行fashion mnist数据集分类

最近在撸pytorch框架，这里参考深度学习经典数据集mnist的“升级版”fashion mnist，来做图像分类，主要目的是熟悉pytorch框架，代码中包含了大量的pytorch使用相关的注释。

1. 数据集介绍

(1)MNIST

MNIST是深度学习最基本的数据集之一，由CNN鼻祖yann lecun建立的一个手写字符数据集，包含60000张训练图像和10000张测试图像，包含数字0-9共10个类别.

(2)FASHION MNIST

由于MNIST数据集太简单，简单的网络就可以达到99.7%的top one准确率，也就是说在这个数据集上表现较好的网络，在别的任务上表现不一定好。因此zalando research的工作人员建立了fashion mnist数据集，该数据集由衣服、鞋子等服饰组成，包含70000张图像，其中60000张训练图像加10000张测试图像，图像大小为28x28，单通道，共分10个类，如下图，每3行表示一个类。

数据集信息如下：

数据集共分10个类，类别描述如下：

2. pytorch进行分类

pytorch中提供了这个数据集的下载接口，下面分别使用全连接网络和CNN网络来进行分类

(1)FC网络

输入图像大小为28x28，设计如下全连接网络，代码命名为02_fashion_mnist_fc.py

FC1(784) + Relu(1000) + FC2(500) + Relu + FC3(200) + Relu3 + FC4(10) + log_softmax

from __future__ import print_function # 从future版本导入print函数功能

import argparse # 加载处理命令行参数的库

import torch # 引入相关的包

import torch.nn as nn # 指定torch.nn别名nn

import torch.nn.functional as F # 引用神经网络常用函数包，不具有可学习的参数

import torch.optim as optim

from torchvision import datasets, transforms # 加载pytorch官方提供的dataset

class Net(nn.Module):

def __init__(self):

super(Net, self).__init__()

self.fc1 = nn.Linear(784, 1000) # 784表示输入神经元数量，1000表示输出神经元数量

self.fc2 = nn.Linear(1000, 500)

self.fc3 = nn.Linear(500, 200)

self.fc4 = nn.Linear(200, 10)

def forward(self, x):

x = x.view(-1, 28*28)

x = F.relu(self.fc1(x))

x = F.relu(self.fc2(x))

x = F.relu(self.fc3(x))

x = self.fc4(x)

return F.log_softmax(x, dim=1) #Applies a softmax followed by a logarithm, output batch * classes tensor

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) # negative log likelihood loss(nll_loss), sum up batch cross entropy

loss.backward()

optimizer.step() # 根据parameter的梯度更新parameter的值

#print(epoch, batch_idx, type(batch_idx))

if batch_idx % args.log_interval == 0:

print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(

ep