- 环境：python3、torch1.2.0(torch1.5.0也可以)、torchvision0.4.0
- 代码：（注：DOWNLOAD_MNIST = False第一次应该设为True，原因在代码注释里）
import torch
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision # 数据库模块
import torch.nn as nn
import matplotlib.pyplot as plt
LR = 0.001 # 学习率
BATCH_SIZE = 50 # 表示每次选取50个样本作训练
EPOCH = 1 # epoch表示整个数据集重复训练次数
DOWNLOAD_MNIST = False # 是否下载MNIST，第一次需要设置为True，下载完数据集，以后不需要下载，设置为False就可以了。
train_data = torchvision.datasets.MNIST(root='./mnist',
train=True, # 表示这是训练集
transform=torchvision.transforms.ToTensor(), # 原始数据是array数组，转换为tensor,同时进行归一化
download=DOWNLOAD_MNIST)
# 打印图片
print(train_data.data.size()) # 打印训练集的大小
print(train_data.targets.size()) # 打印训练集标签的大小
# 使用imshow()函数加载训练集中的图片
plt.imshow(train_data.data[0].numpy(), cmap='gray')
plt.title('%i' % train_data.targets[0])
plt.show()
# 训练
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE,
shuffle=True, num_workers=2) # 批量化（包装）处理数据集
test_data = torchvision.datasets.MNIST(root='./mnist', train=False)
'''#测试集shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)
test_x = torch.unsqueeze(test_data.data, dim=[:2000].type(torch.FloatTensor).cuda()/255.
'''#这里使用cuda()表示使用调用GPU加速跑测试集/训练集
# test_y = test_data.targets[:2000].cuda()
# test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1), volatile=True).type(torch.FloatTensor)[:2000]/255
with torch.no_grad():
test_x = Variable(torch.unsqueeze(test_data.data, dim=1)).type(torch.FloatTensor)[:2000]/255.# 这行代码中的volatile=True在torch1.5版本以上就不支持了（包括1.5版本）
test_y = test_data.targets[:2000]
# 搭建CNN网络
if __name__ == '__main__':
class CNN(torch.nn.Module): # 定义一个神经网络层
def __init__(self): # 定义初始化
super(CNN, self).__init__() # 继承初始层
self.conv1 = torch.nn.Sequential(
nn.Conv2d(in_channels=1,
out_channels=16, # 卷积核个数
kernel_size=5, # 卷积核大小
stride=1, # 卷积核移动步长
padding=2, # 填充数目
), #-->卷积后的图片形状大小(28,28,16)
nn.ReLU(),
nn.MaxPool2d(kernel_size=2), #-->池化后的图片形状大小(14,14,16)
)
self.conv2 = nn.Sequential(
nn.Conv2d(16, 32, 5, 1, 2), #-->第二次卷积后的图片形状大小(14,14,32)
nn.ReLU(),
nn.MaxPool2d(kernel_size=2) #-->第二次池化后的图片形状大小(7,7,32)
)
self.out = nn.Linear(32*7*7, 10) # 全连接层
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1) # 数据展平为多维后的图片形状大小(batch size,7,7,32)
output = self.out(x)
return output
cnn = CNN()
print(cnn) # 打印CNN网络
# cnn.cuda() # CNN模型使用GPU加速
optimizer = torch.optim.Adam(cnn.parameters(), lr=LR, betas=(0.9, 0.99)) # Adam优化器
loss_func = nn.CrossEntropyLoss() # 损失函数
# 训练模型
for epoch in range(EPOCH):
for step, (b_x, b_y) in enumerate(train_loader):
# output = cnn(b_x.cuda()) # CNN预测输出
output = cnn(b_x) # CNN预测输出
# loss = loss_func(output, b_y.cuda())
loss = loss_func(output, b_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if step % 50 == 0:
# test_output = cnn(test_x.cuda())
test_output = cnn(test_x)
# test_pred = torch.max(test_output, 1)[1].cuda().data
test_pred = torch.max(test_output, 1)[1].data
test_accuracy = float((test_pred == test_y).sum().item()) / float(test_y.size(0))
print('Epoch:', epoch, 'Train loss:', loss.data.cpu().numpy(), 'Test Accuracy:', test_accuracy)
# 观察前20个数据误差
test_output = cnn(test_x[:20])
# pred_y = torch.max(test_output, 1)[1].cuda().data
pred_y = torch.max(test_output, 1)[1].data
print(pred_y.cpu().numpy(), 'prediction number')
print(test_y[:20].cpu().numpy(), 'real number')
- 代码执行结果：
- 关掉显示窗口后程序继续执行
