Pytorch实战1：FashionMNIST时装分类收获

任务简介

• 这里的任务是对10个类别的“时装”图像进行分类，使用FashionMNIST数据集。
• FashionMNIST中数据的若干样例图，其中每个小图对应一个样本。
• FashionMNIST数据集中包含已经预先划分好的训练集和测试集，其中训练集共60,000张图像，测试集共10,000张图像。
• 每张图像均为单通道黑白图像，大小为28*28pixel，分属10个类别。

导入必要的包

import os
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader

配置训练环境和超参

先要查看GPU是否可用

torch.cuda.is_available()

• 输出True，就说明是好的

配置GPU，有两种方式

• 方案1：使用os.environ 这种之后用xxx.cuda()

os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'  # 这里可以是多块 0,1,2,3

• 方案2：使用device，后续要使用GPU直接用xxx.to_device(device)

device = torch.device('cuda:1' if torch.cuda.is_available() else 'cpu')

• 这边可以查一下单卡和多卡配置

数据的读入与加载

from torchvision import transforms

• 1.图像预处理

  • Compose把多个步骤整合到一起:

  data_transform = transforms.Compose([
      transforms.ToPILImage(),
      transforms.Resize(img_size),
      transforms.ToTensor()
  ])
  

  • 解析：

  # 示例代码
  transform.ToTensor(),
  transform.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
  

  • ToTensor()能够把灰度范围从0-255变换到0-1之间
  • 后面的transform.Normalize()则把0-1变换到(-1,1)
  • 解析：
    Normalize:image = (image - mean) / std
  • 其中mean和std分别通过(0.5,0.5,0.5)和(0.5,0.5,0.5)进行指定
  • 将ToTensor()转换的(0, 1)变成(0-0.5)/0.5 = -1 (1-0.5)/0.5=1

• 2.读取数据

  • 先读入csv格式的数据：60000张训练集和10000张测试集，784个特征，1个标签
  • 再构建自己的Dataset:
    • 继承Dataset，重写__init__、__len__、__getitem__

			def __init__(self, df, transform=None):
        		self