Pytorch实现mnist手写数字识别实验
- 🍨 本文为🔗365天深度学习训练营中的学习记录博客
- 🍖 原作者：K同学啊
我的环境：
- 语言环境：Python3.12
- 编译器：PyCharm
- 深度学习环境：
-
- torch==1.12.1+cu113
- torchvision==0.13.1+cu113
目录
一、实验
1、目的：
主要为刚开始学习，如何初步搭建环境，运行代码，观察运行结果；
2、总结：
1）遇到问题
使用推荐编译器：Jupyter Lab，需要手动安装插件，软件安装不友好，可在命令行使用进行安装，如下：
pip install但软件好像没有提升是否安装好，运行时也发现好多错误提示。
2）解决办法
安装PyCharm软件，可参考网络上的破解过程，输入序列号激活后。源代码重新按照PyCharm软件有些调整，主要是些打印部分。
3）遗留问题
构建CNN网络代码部分，不能理解。主要为对神经网络一无所知，后续需要学习补充知识点。
4）探索
修改训练运行次数，由5次增加到10次，观察准确率有提升，是否次数越多越好呢？目前不明白其中含义，后续学习。
3、结果：
模型可靠性结果
训练数据图
cpu
torch.Size([32, 1, 28, 28])
=================================================================
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
=================================================================
Epoch: 1, Train_acc:78.8%, Train_loss:0.744, Test_acc:94.1%，Test_loss:0.206
Epoch: 2, Train_acc:94.7%, Train_loss:0.174, Test_acc:96.2%，Test_loss:0.130
Epoch: 3, Train_acc:96.6%, Train_loss:0.114, Test_acc:97.5%，Test_loss:0.086
Epoch: 4, Train_acc:97.2%, Train_loss:0.089, Test_acc:97.7%，Test_loss:0.076
Epoch: 5, Train_acc:97.7%, Train_loss:0.076, Test_acc:98.0%，Test_loss:0.064
Done打印结果
训练10次模型可靠性结果
cpu
torch.Size([32, 1, 28, 28])
=================================================================
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
=================================================================
Epoch: 1, Train_acc:77.1%, Train_loss:0.781, Test_acc:92.4%，Test_loss:0.250
Epoch: 2, Train_acc:94.1%, Train_loss:0.195, Test_acc:95.8%，Test_loss:0.144
Epoch: 3, Train_acc:96.3%, Train_loss:0.124, Test_acc:96.4%，Test_loss:0.112
Epoch: 4, Train_acc:97.1%, Train_loss:0.094, Test_acc:97.8%，Test_loss:0.070
Epoch: 5, Train_acc:97.6%, Train_loss:0.078, Test_acc:98.0%，Test_loss:0.064
Epoch: 6, Train_acc:98.0%, Train_loss:0.067, Test_acc:98.1%，Test_loss:0.058
Epoch: 7, Train_acc:98.1%, Train_loss:0.059, Test_acc:98.2%，Test_loss:0.058
Epoch: 8, Train_acc:98.4%, Train_loss:0.053, Test_acc:98.2%，Test_loss:0.051
Epoch: 9, Train_acc:98.5%, Train_loss:0.049, Test_acc:98.6%，Test_loss:0.041
Epoch:10, Train_acc:98.7%, Train_loss:0.045, Test_acc:98.5%，Test_loss:0.045
Done训练10次打印结果
二、源代码
#一、 前期准备
#1. 设置GPU
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
# 设置硬件设备，如果有GPU则使用，没有则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)
#2. 导入数据
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)
batch_size = 32 #每批加载的样本大小
train_dl = torch.utils.data.DataLoader(train_ds,
batch_size=batch_size,
shuffle=True) #shuffle 如果为True，每个epoch重新排列数据
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]
# 其中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))
print(imgs.shape)
#3. 数据可视化
import numpy as np
# 指定图片大小，图像大小为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')
plt.show()
# plt.show() 如果你使用的是Pycharm编译器，请加上这行代码
#二、构建简单的CNN网络
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,卷积核大小为3*3
self.pool1 = nn.MaxPool2d(2) # 设置池化层，池化核大小为2*2
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
# 前向传播
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（我们模型运行均在GPU中进行）
model = Model().to(device)
summary(model)
#三、 训练模型
#1. 设置超参数
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
#2. 编写训练函数
#参数更新示例
#param.data = param.data - learning_rate * param.grad
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小，一共60000张图片
num_batches = len(dataloader) # 批次数目，1875（60000/32）
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 计算预测误差
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录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. 编写测试函数
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测试集的大小，一共10000张图片
num_batches = len(dataloader) # 批次数目，313（10000/32=312.5，向上取整）
test_loss, test_acc = 0, 0
# 当不进行训练时，停止梯度更新，节省计算内存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算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. 正式训练
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')
#四、 结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率
from datetime import datetime
current_time = datetime.now() # 获取当前时间
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.xlabel(current_time) # 打卡请带上时间戳，否则代码截图无效
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()
扫一扫
1626
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
