PyTorch入门项目之卷积神经网络实现Fashion-MNIST图像分类（详细注释！）

PyTorch入门项目，卷积神经网络实现图像分类任务

---

前言

PyTorch目前是学界最流行的深度学习框架之一。对于已经有了深度学习基础的学生而言，急需一个小项目学习练手。然而，网上讲授许多Torch视频教程虽称快速，但很多还是废话较多，部分人可能没有这个耐心看下去，所以我记录了我初次使用torch的一个全流程的训练步骤：导入包、数据集准备、网络搭建、训练、测试、准确率打印、模型保存和loss曲线的内容。

---

提示：本文基于PyTorch1.7.1+cu101、Python3.7，仿AlexNet，基于FashionMNIST数据集；（没有版本说明和代码注释的都是耍流氓）

一、PyTorch安装

关于PyTorch的安装，这里不做过多的叙述，方法很多。
首先，根据自己显卡的CUDA Version来选择对应版本：
cmd命令下输入nvidia-smi 查看：

比如，我的是11.2，可以选择支持11.2及以下版本的Torch版本安装。进入Torch官网：https://pytorch.org/选择：

不知道怎么安装cudatoolkit的话，最简单的就是创建好conda环境后(conda环境配置等问题在此不叙述)，进入环境直接复制：

pip3 install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio===0.9.0

（可能会比较慢，建议用镜像）
当然，不建议选最新的，教程比较少，可以点previous version of PyTorch选择稍低一两个版本的。

二、实践步骤

1.引入相关库

代码如下（示例）：（没有相关module的pip install 下）

import torch
import torchvision  # 数据集用
import torch.nn as nn  # 搭建网络
import torch.utils.data as Data  # 加载数据
import time   # 计时用
import matplotlib.pyplot as plt  # 绘图用

2.超参数设置

代码如下（示例）：

# hyper_parameters setting
DOWNLOAD = True  # 'True'表示需要下载数据集，'False' 表示已经下载好.
BATCH_SIZE = 128   #根据自己电脑实际设置 16 32 64等
EPOCH = 10  # 迭代次数
learning_rate = 0.05  #学习率
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")  # 自动选择训练设备，cpu / gpu（如果支持）

根据需要设置超参数，方便更改程序。

3.数据集准备

以FashionMNIST为例，该数据集可看做是MNIST的升级版，是一些服饰的分类。包含10个类，训练集的图片有60000张，测试集10000张，均为28*28的灰度图像。

## load dataset

train_data = torchvision.datasets.FashionMNIST(
 root='./FashionMnist',  # 数据存放目录
 train=True,  # 用于训练
 transform=torchvision.transforms.ToTensor(),  # 转换为[0,1]的tensor
 download=DOWNLOAD, #是否下载数据集
)

test_data = torchvision.datasets.FashionMNIST(
 root='./FashionMnist', 
 train=False, # 用于测试  
 transform=torchvision.transforms.ToTensor(),
 download=DOWNLOAD)

print(train_data[0]) # 打印查看数据情况 是一个tensor 图像数据和标签

# 数据里的特征和标签按batch分别打包
# shuffle 表示是否随机打乱数据  
# num_workers 表示是否开启新线程加速数据的加载，但设为其他数字时windows系统常报错，所以最好设为0

train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True, num_workers=0)

test_loader = Data.DataLoader(dataset=test_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=0)

其他数据集的导入