CNN 图像分类

CNN实现对FashionMNIST图像分类

卷积神经网络相对于全连接神经网络的优势：

1. 参数少 -> 权值共享
   因为全连接神经网络输入的图片像素较大， 所以参数较多
   而卷积神经网络的参数主要在于核上， 而且核的参数可以共享给其他通道
2. 全连接神经网络会将输入的图片拉直， 这样就会使图片损失原来的效果，从而导致效果不佳
   而卷积神经网络不会将图片拉直，用步长去移动核
3. 可以手动选取特征，训练好权重，特征分类效果比全连接神经网络的效果好

CNN过程：

conolution层： 实现对feature map局部采样(相似于感受野)
pooling层: 增加感受野
dense层: 也就是全连接层

大概思路

1. 加载数据集
2. 构建CNN模型
3. 训练函数
4. 训练模型
5. 可视化效果

使用pytorch实现CNN

使用的是Fashimnist数据集， 和以前的线性回归加载数据集的方式一样

日常导入需要用到的python库

import torch
import torch.nn as nn
import torch.optim as optim
import torch.functional as F
import torchvision
import torchvision.transforms as transforms
import numpy as np

import matplotlib.pyplot as plt

加载数据集

与线性回归一样， 就不再阐述

# 加载数据集
train_data = torchvision.datasets.FashionMNIST("/home/kesci/input/FashionMNIST2065",
                train=True,
                transform=transforms.ToTensor(),
                download=False)
                
test_data = torchvision.datasets.FashionMNIST("/home/kesci/input/FashionMNIST2065",
                train=False,
                transform=transforms.ToTensor(),
                download=False)

# 批量加载数据
train_iter = torch.utils.data.DataLoader(train_data, batch_size=64,
                shuffle=True,
                num_workers=4)
test_iter = torch.utils.data.DataLoader(train_data, batch_size=64,
                shuffle=False,
                num_workers=<