皮托管手创建了神经网络(MNIST)

"他山上的石头可以攻击玉."站在巨人的肩膀上才能看得更高，走得更远。

在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。

历史文章：人工智能前沿学生论坛

作者：知乎—摸鱼

地址：

01

数据集介绍

本文使用的是PyTorch自带的MNIST数据集，该数据集中为PIL Image，size=28x28。数据存储形式为(data, target)，其中data为PIL Image，target该图片表示的数字。如下所示：

(<PIL.Image.Image image mode=L size=28x28 at 0x175EF44F160>, 5)

02

模型搭建

input：([64, 1, 28, 28])

after conv1: ([64, 32, 26, 26])

after conv2: ([64, 64, 24, 24])

after max_pool2d: ([64, 64, 12, 12])

after flatten: ([64, 9216])

after fc1: ([64, 128])

after fc2: ([64, 10])

after log_softmax: ([64, 10])

由各层的输出结果可以看出，batch_size为64，网络结构图中tensor在各层的变化与输出一致。

2.1 导入库文件

from __future__ import print_function import argparse import torch import as nn import .functional as F import as optim from torchvision import datasets, transforms from .lr_scheduler import StepLR

2.2 网络结构定义

class Ne): def __init__(self): super(Net, self).__init__() = nn.Conv2d(1, 32, 3, 1) = nn.Conv2d(32, 64, 3, 1) = nn.Dropou) = nn.Dropou) = nn.Linear(9216, 128) = nn.Linear(128, 10) def forward(self, x): x = (x) # print("after conv1: {}".forma)) x = F.relu(x) x = (x) # print("after conv2: {}".forma)) x = F.relu(x) x = F.max_pool2d(x, 2) # print("after max_pool2d: {}".forma)) x = (x) x = (x, 1) # print("after flatten: {}".forma)) x = (x) # print("after fc1: {}".forma)) x = F.relu(x) x = (x) x = (x) # print("after fc2: {}".forma)) output = F.log_softmax(x, dim=1) # print("after log_softmax: {}".forma)) return output

2.3 transform究竟是干什么的？

相信大家在读取数据集的时候，经常见到下面这段代码

transform = ([ (), ,), ,)) ])

别着急，我们一个个来看，首先看()

简单来说，就是把PIL Image或者 num类型的数据转化为张量tensor。原来的在[0, 255]的具有(HxWxC)形式的PIL Image或num数据，被转换为[0.0, 1.0]范围并且shape变为(CxHxW)。

前面我们看到数据集的格式为PIL Image，这个函数就是将之前的PIL Image变为tensor，后续才可以对其进行一系列操作。

再看()

对一个tensor进行归一化，传入的两个参数为元组形式，分别为mean和std

相当于一个容器，将若干个transforms组合到一起。

2.4 DataLoader

taet1 = da('../data', train=True, download=True, transform=transform) train_loader = (dataset1, **train_kwargs)

简而言之，DataLoader的作用就是对传入的数据集进行采样sample，返回一个可迭代的对象。注意到前面定义的batch_size为64，那么在这里，每次返回的可迭代对象的size就是64。

2.5 优化器定义

# 优化器 optimizer = o(), lr=args.lr) # 调整学习率 scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)

其中StepLR是用来调整学习率的，具体的调整策略本文暂且不讨论，在之后的博文中对集中调整学习率的方法统一讨论。在这里只需知道随着epoch的增加，learning rate会改变即可。

03

train

train的流程非常简单，首先设置为train模式，分批次读入数据，优化器梯度置零，数据通过网络，计算损失，反向传播，权重更新。如下

def train(args, model, device, train_loader, optimizer, epoch): # 设置为train模式 model.train() # 分批次读入数据 for batch_idx, (data, target) in enumerate(train_loader): data, target = da(device), (device) # 优化器梯度置零 o() # 数据通过网络 output = model(data) # 计算损失 loss = F.nll_loss(output, target) # 反向传播 lo() # 权重更新 o() if batch_idx % args.log_interval == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, batch_idx * len(data), len), 100. * batch_idx / len(train_loader), lo())) if args.dry_run: break

04

test

test的流程与train略有不同，首先要设置为test模式，这是要防止改变已训练好的权重。接着在with ()中让数据通过网络，计算损失和预测是否正确即可。如下

def test(model, device, test_loader): # 设置为test模式 model.eval() test_loss = 0 correct = 0 # 不进行计算图的构建，即没有grad_fn属性 with (): for data, target in test_loader: data, target = da(device), (device) output = model(data) test_loss += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss pred = ou(dim=1, keepdim=True) # get the index of the max log-probability correct += (pred)).sum().item() test_loss /= len) print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format( test_loss, correct, len), 100. * correct / len)))

05

集成训练测试

def main(): # Training settings # 声明一个parser parser = arg(description='PyTorch MNIST Example') # 添加参数 ('--batch-size', type=int, default=64, metavar='N', help='input batch size for training (default: 64)') ('--test-batch-size', type=int, default=1000, metavar='N', help='input batch size for testing (default: 1000)') ('--epochs', type=int, default=14, metavar='N', help='number of epochs to train (default: 14)') ('--lr', type=float, default=1.0, metavar='LR', help='learning rate (default: 1.0)') ('--gamma', type=float, default=0.7, metavar='M', help='Learning rate step gamma (default: 0.7)') ('--no-cuda', action='store_true', default=False, help='disables CUDA training') ('--dry-run', action='store_true', default=False, help='quickly check a single pass') ('--seed', type=int, default=1, metavar='S', help='random seed (default: 1)') ('--log-interval', type=int, default=10, metavar='N', help='how many batches to wait before logging training status') ('--save-model', action='store_true', default=False, help='For Saving the current Model') # 读取命令行参数 args = () use_cuda = not args.no_cuda and () ) device = ("cuda" if use_cuda else "cpu") train_kwargs = {'batch_size': args.batch_size} test_kwargs = {'batch_size': args.test_batch_size} if use_cuda: cuda_kwargs = {'num_workers': 1, 'pin_memory': True, 'shuffle': True} (cuda_kwargs) (cuda_kwargs) transform = ([ (), ,), ,)) ]) dataset1 = da('../data', train=True, download=True, transform=transform) dataset2 = da('../data', train=False, transform=transform) train_loader = (dataset1, **train_kwargs) test_loader = (dataset2, **test_kwargs) model = Net().to(device) optimizer = o(), lr=args.lr) scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma) for epoch in range(1, args.epochs + 1): train(args, model, device, train_loader, optimizer, epoch) test(model, device, test_loader) () if args.save_model: (), "mni;)

06

模型结果

07

摸鱼建议

摸鱼也是最近接触PyTorch这个框架，在学习过程中遇到了一些问题，也总结了一些经验。下面是摸鱼遇到的一些问题以及解决方式

Q1：为什么网络的结构是这样定义的？有什么理由吗？

A1：其实刚开始摸鱼也不清楚为什么网络要这样设计，后来在Andrew Ng的课上，老师提起过一嘴，说这个没有什么特别的原因，如果非要说一个原因的话那就是它在实验上的表现很好。所以我们在学习的过程中，可以借鉴那些经典的网络结构，以此为基础改进来形成我们自己的网络架构。同样网络中的参数也是一般采用设计者给出的会比较好。

Q2：transform，DataLoader等等的到底是干嘛的？在好多地方看到过但还是比较模糊

A2：确实，在看官方文档的时候，经常看到这两段代码。相信看完本文应该就可以解决这个问题了，至于要如何解决类似的问题，我的一个建议是了解数据的源格式以及你想要的的目的格式。其实transform不难理解，就是进行一个数据格式的转换，但是如果不了解数据的源格式，可能对这块就会比较模糊。

本文目的在于学术交流，并不代表本公众号赞同其观点或对其内容真实性负责，版权归原作者所有，如有侵权请告知删除。