莫烦python--搭建CNN

• 和其他教程一样，莫烦大神也用MNIST作为CNN的入门

一. 调用库

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision      # 数据库模块
import matplotlib.pyplot as plt
from torch.autograd import Variable # torch 中 Variable 模块

• 对一些库进行描述
• torch.utils.data
  用于batchsize训练的库
• torchvision
  用于加载数据集的库

1.首先下载数据集

# Mnist 手写数字
train_data = torchvision.datasets.MNIST(
    root='./mnist/',    # 保存或者提取位置
    train=True,  # True为训练集，False为测试集
    transform=torchvision.transforms.ToTensor(),    # 
                                                    # torch.FloatTensor (C x H x W), 训练的时候 normalize 成 [0.0, 1.0] 区间  0-255->(0,1)
    download=DOWNLOAD_MNIST,          # True下载，False不下载
)

2.训练集设置

# 批训练 50samples, 1 channel, 28x28 (50, 1, 28, 28)
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True) #shuffle True为乱序 

• 这里解释下batch_size
  ,网络不可能同时训练所有的数据，把数据集打乱分批，一批一批的送进去训练。

3. 加载测试集
   1.这里对测试数据也要注意归一化‘/255’

# 为了节约时间, 我们测试时只测试前2000个
test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255.   # shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)
test_y = test_data.test_labels[:2000]

4.搭CNN模型

-这里参考我上一篇博客，采用先建立流程图，在将流程图连接的形式。

# 继承nn.Module
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(  # input shape (1, 28, 28)
            nn