基于pytorch和Fashion Mnist数据集建立简单的CNN网络来实现图片分类

写这篇文章，我主要是想要介绍一种流行的深度学习框架---Pytorch，并且完成一个简单的CNN网络例子来加深对它的认识，我们还使用到了Fashion Mnist数据集，完成这个DL领域的“Hello World”。

相比于TF，Pytorch有很多优点。这些可以自行Google来了解。总之，Pytorch更加符合python的特性，也更加好理解。

数据集

在这个项目中，我将使用Fashion Mnist数据集，可以在kaggle下载csv文件。

网络模型

为了训练图片，我们使用CNN网络来提取图片的各项特征。例如：

在这个网络中，一共有五个卷积层。我们将输入值通过filters来更新数值，这些kernel values通过前向传播来 

计算损失函数，然后通过反向传播来再次更新损失函数。在这个项目中，我们使用的网络结构如下图所示：

 

我们使用了两个卷积层，kenel的大小为5*5，后面是一个全连接层，最后输出一个激活值给最后的输出层。下面，我们来逐个分析代码。

Imports

import torch 
import torch.nn as nn
import torchvision.datasets as dsets
from skimage import transform
import torchvision.transforms as transforms
from torch.autograd import Variable
import pandas as pd;
import numpy as np;
from torch.utils.data import Dataset, DataLoader
from vis_utils import *  #可视化工具，可以省略
import random;
import math;

声明必要的全局变量：

num_epochs = 5;
batch_size = 100;
learning_rate = 0.001;

加载数据

在pytorch中，为了加载数据，我们需要编写一个类来继承Dataset类型，然后定义数据读取函数和数据获取函数，来看看我们是怎么