- 🍨 本文为🔗365天深度学习练习营 中的学习记载博客
- 🍦 参考文章:365天深度学习练习营-第P1周:完成mnist手写数字辨认(练习营内部成员可读)
- 🍖 原作者:K同学啊|接教导、项目定制
🏡 我的环境:
- 语言环境:Python3.6.5
- 编译器:jupyter lab
- 深度学习环境:TensorFlow2.4.1
- 数据集:参与练习营可获取
⏲往期文章:
- 深度学习实战练习 | 第8周:猫狗辨认
- 深度学习实战练习 | 第7周:咖啡豆辨认
- 深度学习实战练习 | 第6周:好莱坞明星辨认
- 深度学习实战练习 | 第5周:运动鞋品牌辨认
一、 前期准备
1. 设置GPU
假如设备上支持GPU就运用GPU,否则运用CPU
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device
device(type='cuda')
2. 导入数据
运用dataset下载MNIST数据集,并划分好练习集与测验集
运用dataloader加载数据,并设置好根本的batch_size
⭐ torchvision.datasets.MNIST详解
torchvision.datasets
是Pytorch自带的一个数据库,咱们可以经过代码在线下载数据,这儿运用的是torchvision.datasets
中的MNIST
数据集。
函数原型:
torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)
参数说明:
- root (string) :数据地址
-
train (string) :
True
= 练习集,False
= 测验集 -
download (bool,optional) : 假如为
True
,从互联网上下载数据集,并把数据集放在root目录下。 - transform (callable, optional ):这儿的参数挑选一个你想要的数据转化函数,直接完成数据转化
- target_transform (callable,optional) :接受目标并对其进行转换的函数/转换。
train_ds = torchvision.datasets.MNIST('data',
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
test_ds = torchvision.datasets.MNIST('data',
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
📌请在这儿补充关于torch.utils.data.DataLoader
的介绍(主张参照torchvision.datasets.MNIST
详解)
batch_size = 32
train_dl = torch.utils.data.DataLoader(train_ds,
batch_size=batch_size,
shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds,
batch_size=batch_size)
# 取一个批次查看数据格式
# 数据的shape为:[batch_size, channel, height, weight]
# 其间batch_size为自己设定,channel,height和weight分别是图片的通道数,高度和宽度。
imgs, labels = next(iter(train_dl))
imgs.shape
torch.Size([32, 1, 28, 28])
3. 数据可视化
squeeze()
函数的功用是从矩阵shape中,去掉维度为1的。例如一个矩阵是的shape是(5, 1),运用过这个函数后,成果为(5, )。
import numpy as np
# 指定图片巨细,图画巨细为20宽、5高的绘图(单位为英寸inch)
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
npimg = np.squeeze(imgs.numpy())
# 将整个figure分成2行10列,绘制第i+1个子图。
plt.subplot(2, 10, i+1)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis('off')
二、构建简单的CNN网络
对于一般的CNN网络来说,都是由特征提取网络和分类网络构成,其间特征提取网络用于提取图片的特征,分类网络用于将图片进行分类。
nn.Conv2d为卷积层,用于提取图片的特征,传入参数为输入channel,输出channel,池化核巨细
nn.MaxPool2d为池化层,进行下采样,用更高层的抽象表示图画特征,传入参数为池化核巨细
nn.ReLU为激活函数,使模型可以拟合非线性数据
nn.Linear为全衔接层,可以起到特征提取器的作用,最后一层的全衔接层也可以认为是输出层,传入参数为输入特征数和输出特征数(输入特征数由特征提取网络核算得到,假如不会核算可以直接运转网络,报错中会提示输入特征数的巨细,下方网络中第一个全衔接层的输入特征数为1600)
nn.Sequential可以按构造顺序衔接网络,在初始化阶段就设定好网络结构,不需求在前向传达中重新写一遍
import torch.nn.functional as F
num_classes = 10 # 图片的类别数
class Model(nn.Module):
def __init__(self):
super().__init__()
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核巨细为3*3
self.pool1 = nn.MaxPool2d(2) # 设置池化层,池化核巨细为2*2
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核巨细为3*3
self.pool2 = nn.MaxPool2d(2)
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
# 前向传达
def forward(self, x):
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
x = torch.flatten(x, start_dim=1)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
加载并打印模型
from torchinfo import summary
# 将模型转移到GPU中(咱们模型运转均在GPU中进行)
model = Model().to(device)
summary(model)
=================================================================
Layer (type:depth-idx) Param #
=================================================================
Model --
├─Conv2d: 1-1 320
├─MaxPool2d: 1-2 --
├─Conv2d: 1-3 18,496
├─MaxPool2d: 1-4 --
├─Linear: 1-5 102,464
├─Linear: 1-6 650
=================================================================
Total params: 121,930
Trainable params: 121,930
Non-trainable params: 0
=================================================================
三、 练习模型
1. 设置超参数
loss_fn = nn.CrossEntropyLoss() # 创建丢失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
2. 编写练习函数
1. optimizer.zero_grad()
函数会遍历模型的一切参数,经过内置办法截断反向传达的梯度流,再将每个参数的梯度值设为0,即上一次的梯度记载被清空。
2. loss.backward()
PyTorch的反向传达(即tensor.backward()
)是经过autograd包来完成的,autograd包会依据tensor进行过的数学运算来主动核算其对应的梯度。
具体来说,torch.tensor是autograd包的根底类,假如你设置tensor的requires_grads为True,就会开始跟踪这个tensor上面的一切运算,假如你做完运算后运用tensor.backward()
,一切的梯度就会主动运算,tensor的梯度将会累加到它的.grad特点里面去。
更具体地说,丢失函数loss是由模型的一切权重w经过一系列运算得到的,若某个w的requires_grads为True,则w的一切上层参数(后面层的权重w)的.grad_fn特点中就保存了对应的运算,然后在运用loss.backward()
后,会一层层的反向传达核算每个w的梯度值,并保存到该w的.grad特点中。
假如没有进行tensor.backward()
的话,梯度值将会是None,因此loss.backward()
要写在optimizer.step()
之前。
3. optimizer.step()
step()函数的作用是履行一次优化过程,经过梯度下降法来更新参数的值。因为梯度下降是根据梯度的,所以在履行optimizer.step()
函数前应先履行loss.backward()
函数来核算梯度。
留意:optimizer只担任经过梯度下降进行优化,而不担任发生梯度,梯度是tensor.backward()
办法发生的。
# 练习循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 练习集的巨细,总共60000张图片
num_batches = len(dataloader) # 批次数目,1875(60000/32)
train_loss, train_acc = 0, 0 # 初始化练习丢失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 核算预测差错
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 核算网络输出和实在值之间的差距,targets为实在值,核算二者差值即为丢失
# 反向传达
optimizer.zero_grad() # grad特点归零
loss.backward() # 反向传达
optimizer.step() # 每一步主动更新
# 记载acc与loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss
3. 编写测验函数
测验函数和练习函数大致相同,但是因为不进行梯度下降对网络权重进行更新,所以不需求传入优化器
def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测验集的巨细,总共10000张图片
num_batches = len(dataloader) # 批次数目,313(10000/32=312.5,向上取整)
test_loss, correct = 0, 0
# 当不进行练习时,中止梯度更新,节约核算内存耗费
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 核算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss
4. 正式练习
1. model.train()
model.train()
的作用是启用 Batch Normalization 和 Dropout。
假如模型中有BN
层(Batch Normalization)和Dropout
,需求在练习时增加model.train()
。model.train()
是确保BN层可以用到每一批数据的均值和方差。对于Dropout
,model.train()
是随机取一部分网络衔接来练习更新参数。
2. model.eval()
model.eval()
的作用是不启用 Batch Normalization 和 Dropout。
假如模型中有BN层(Batch Normalization)和Dropout,在测验时增加model.eval()
。model.eval()
是确保BN层可以用全部练习数据的均值和方差,即测验过程中要确保BN层的均值和方差不变。对于Dropout
,model.eval()
是使用到了一切网络衔接,即不进行随机舍弃神经元。
练习完train样本后,生成的模型model要用来测验样本。在model(test)
之前,需求加上model.eval()
,否则的话,有输入数据,即使不练习,它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。
epochs = 5
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%,Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')
Epoch: 1, Train_acc:77.6%, Train_loss:0.744, Test_acc:91.1%,Test_loss:0.284
Epoch: 2, Train_acc:94.1%, Train_loss:0.196, Test_acc:96.2%,Test_loss:0.128
Epoch: 3, Train_acc:96.2%, Train_loss:0.123, Test_acc:97.5%,Test_loss:0.089
Epoch: 4, Train_acc:97.1%, Train_loss:0.094, Test_acc:97.4%,Test_loss:0.078
Epoch: 5, Train_acc:97.5%, Train_loss:0.078, Test_acc:98.0%,Test_loss:0.062
Done
四、 成果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #疏忽警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显现中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显现负号
plt.rcParams['figure.dpi'] = 100 #分辨率
epochs_range = range(epochs)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()