Pytorch基本知识与MNIST数据集

Pytorch基本知识

PyTorch和TensorFlow是流行的神经网络架构。

在之前MATLAB构建BP神经网络的过程中，最麻烦的部分是通过微积分计算反向传播误差（back-propagated error）和网络权重（weight）之间的关系。每当网络结构需要改变时，我们很可能需要重新计算一次。

Pytorch可以帮助我们简化这一点，使用PyTorch来取代大部分的底层工作，我们就可以专注于网络的设计。

PyTorch最强大且最便利的功能之一是，无论我们设想的网络是什么样子的，它都能替我们进行所有的微积分计算。即使网络设计改变了，PyTorch也会自动更新微积分计算，无须我们亲自动手计算梯度（gradient）。

pytorch代码简单编写

import torch
x = torch.tensor(3.5)
print(x) #该变量的值是3.5000，同时它被包装在一个PyTorch张量中

tensor(3.5000)

y = x + 3
print(y) #变量类型的一致性

tensor(6.5000)

pytorch的自动求导机制

x = torch.tensor(3.5, requires_grad = True)
print(x)

tensor(3.5000, requires_grad=True)

# y以x的函数表示 
y = (x-1) * (x-2) * (x-3) 
print(y) #PyTorch记录了y在数学上是由x来定义的

tensor(1.8750, grad_fn=<MulBackward0>)

#计算梯度，不要重复执行
y.backward() #只有区区一行代码，但y.backward()完成了大量的工作

x.grad

tensor(5.7500)

一个PyTorch张量可以包含以下内容：

除原始数值之外的附加信息，比如梯度值。

关于它所依赖的其他张量的信息，以及这种依赖的数学表达式。

这种关联张量和自动微分的能力是PyTorch最重要的特性，几乎所有的其他功能都基于这一特性。

MNIST数据集

介绍

MNIST数据集是一组常见的图像，常用于测评和比较机器学习算法的性能。其中6万幅图像用于训练机器学习模型，另外1万幅用于测试模型。

这些大小为28像素×28像素的单色(monochrome）图像没有颜色。每个像素是一个0～255的数值，表示该像素的明暗度。

数据集下载

训练数据：https://pjreddie.com/media/files/mnist_train.csv

测试数据：https://pjreddie.com/media/files/mnist_test.csv

数据集处理代码：

# 导入pandas库，用于读取CSV文件 
import pandas
df = pandas.read_csv('mnist_data/mnist_train.csv', header=None)
df.head() #使用head()函数查看一个较大DataFrame的前几行

MNIST的每一行数据包含785个值。第一个值是图像所表示的数字，其余的 784个值是图像（尺寸为28像素× 28像素）的像素值。

df.info() #用info()函数查看DataFrame的概况。

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 60000 entries, 0 to 59999
Columns: 785 entries, 0 to 784
dtypes: int64(785)
memory usage: 359.3 MB

该DataFrame有60000行。这对应60000幅训练图像。同时，我们也可以确认每行有785个值。

通过绘图函数查看数据集中的具体图像

# 导入pandas库用于读取CSV文件 
import pandas 
# 导入matplotlib用于绘图 
import matplotlib.pyplot as plt
# 从DataFrame读取数据 
row = 6
data = df.iloc[row] 
# 第一个值是标签 
label = data[0] 
# 图像是余下的784个值 
img = data[1:].values.reshape(28,28) 
plt.title("label = " + str(label)) 
plt.imshow(img, interpolation='none', cmap='Blues') 
plt.show()