PyTorch實戰mnist圖像分類

• 項目結構
• 項目代碼

項目結構

項目結構如圖，代碼都放在mnistclassify.py裡面，data資料是代碼執行過程中自己下載下傳的。

項目代碼

1. 導入包，建構訓練集測試集

from random import shuffle
from turtle import forward
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torchvision import datasets,transforms
import matplotlib.pyplot as plt
import numpy as np

# 定義超參數
input_size = 28
num_classes = 10
num_epoches = 3
batch_size = 64

# 訓練集
train_dateset = datasets.MNIST(root='./data',train=True,transform=transforms.ToTensor(),download=True)

# 測試集
test_dateset = datasets.MNIST(root='./data',train=True,transform=transforms.ToTensor())

# 建構batch資料
train_loader = torch.utils.data.DataLoader(dataset=train_dateset,batch_size=batch_size,shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dateset,batch_size=batch_size,shuffle=True)
           

1. 建構神經網絡

# 建構網絡
class CNN(nn.Module):
    def __init__(self) -> None:
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1,              # 灰階圖
                out_channels=16,            # 輸出特征圖個數
                kernel_size=5,              # 卷積核大小
                stride=1,                   # 步長
                padding=2,                  # 邊緣填充，如果stride=1，希望卷積後的圖像和原來的圖像一樣大則設定padding=(kernal_size-1)/2
            ),                              # 輸出特征圖為(16,28,28)
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)     # 2*2最大池化，結果為(16,14,14)
        )
        self.conv2 = nn.Sequential(         # 輸入(16,14,14)
            nn.Conv2d(16, 32, 5, 1, 2),     # 輸出(32,14,14)
            nn.ReLU(),
            nn.MaxPool2d(2),                # 輸出(32,7,7)
        )
        self.out = nn.Linear(32 * 7 *7, 10) # 全連接配接得到結果

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)           # 将結果轉換為向量，友善下一步全連接配接(32*7*7)
        output = self.out(x)
        return output
           

1. 執行個體化網絡開始訓練

# 預測準确率
def accuracy(predictins, labels):
    pred = torch.max(predictins.data, 1)[1]
    rights = pred.eq(labels.data.view_as(pred)).sum()
    return rights, len(labels)

# 執行個體化神經網絡
net = CNN()
# 損失函數
criterion = nn.CrossEntropyLoss()
# 優化器
optimizer = optim.Adam(net.parameters(), lr=0.001)

# 開始訓練循環
for epoch in range(num_epoches):
    # 儲存目前epoch結果
    train_rights = []
    for batch_idx, (data, target) in enumerate(train_loader):
        net.train()
        output = net(data)
        loss = criterion(output, target)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        right = accuracy(output, target)
        train_rights.append(right)

        if batch_idx % 100 == 0:
            net.eval()
            val_rights = []

            for (data, target) in test_loader:
                output = net(data)
                right = accuracy(output, target)
                val_rights.append(right)

            # 準确率計算
            train_r = (sum([tup[0] for tup in train_rights]), sum([tup[1] for tup in train_rights]))
            val_r = (sum([tup[0] for tup in val_rights]), sum([tup[1] for tup in val_rights]))

            print('目前epoch：{} [{}/{}({:.0f}%)]\t損失: {:.6f}\t訓練集準确率: {:.2f}%\t測試集準确率： {:.2f}%'.format(
                epoch, batch_idx * batch_size, len(train_loader.dataset),
                100. * batch_idx / len(train_loader),
                loss.data,
                100. * train_r[0].numpy() / train_r[1],
                100. * val_r[0].numpy() / val_r[1],
            ))
           

1. 訓練結果

目前epoch：0 [0/60000(0%)]      損失: 2.290263  訓練集準确率: 6.25%     測試集準确率： 11.39%
目前epoch：0 [6400/60000(11%)]  損失: 0.222888  訓練集準确率: 76.14%    測試集準确率： 90.28%
目前epoch：0 [12800/60000(21%)] 損失: 0.275965  訓練集準确率: 84.60%    測試集準确率： 94.70%
目前epoch：0 [19200/60000(32%)] 損失: 0.071834  訓練集準确率: 88.24%    測試集準确率： 95.60%
目前epoch：0 [25600/60000(43%)] 損失: 0.029019  訓練集準确率: 90.25%    測試集準确率： 96.68%
目前epoch：0 [32000/60000(53%)] 損失: 0.159890  訓練集準确率: 91.48%    測試集準确率： 97.08%
目前epoch：0 [38400/60000(64%)] 損失: 0.080257  訓練集準确率: 92.39%    測試集準确率： 97.00%
目前epoch：0 [44800/60000(75%)] 損失: 0.100067  訓練集準确率: 93.11%    測試集準确率： 97.57%
目前epoch：0 [51200/60000(85%)] 損失: 0.105826  訓練集準确率: 93.66%    測試集準确率： 97.84%
目前epoch：0 [57600/60000(96%)] 損失: 0.042444  訓練集準确率: 94.11%    測試集準确率： 98.05%
目前epoch：1 [0/60000(0%)]      損失: 0.169493  訓練集準确率: 93.75%    測試集準确率： 98.01%
目前epoch：1 [6400/60000(11%)]  損失: 0.033878  訓練集準确率: 98.04%    測試集準确率： 97.87%
目前epoch：1 [12800/60000(21%)] 損失: 0.108467  訓練集準确率: 98.05%    測試集準确率： 98.01%
目前epoch：1 [19200/60000(32%)] 損失: 0.007603  訓練集準确率: 97.97%    測試集準确率： 98.35%
目前epoch：1 [25600/60000(43%)] 損失: 0.202825  訓練集準确率: 98.04%    測試集準确率： 98.49%
目前epoch：1 [32000/60000(53%)] 損失: 0.113783  訓練集準确率: 98.11%    測試集準确率： 98.47%
目前epoch：1 [38400/60000(64%)] 損失: 0.027782  訓練集準确率: 98.11%    測試集準确率： 98.46%
目前epoch：1 [44800/60000(75%)] 損失: 0.034398  訓練集準确率: 98.12%    測試集準确率： 98.51%
目前epoch：1 [51200/60000(85%)] 損失: 0.013913  訓練集準确率: 98.18%    測試集準确率： 98.51%
目前epoch：1 [57600/60000(96%)] 損失: 0.021681  訓練集準确率: 98.19%    測試集準确率： 98.91%
目前epoch：2 [0/60000(0%)]      損失: 0.052889  訓練集準确率: 96.88%    測試集準确率： 98.72%
目前epoch：2 [6400/60000(11%)]  損失: 0.070504  訓練集準确率: 98.95%    測試集準确率： 98.86%
目前epoch：2 [12800/60000(21%)] 損失: 0.104337  訓練集準确率: 98.67%    測試集準确率： 98.85%
目前epoch：2 [19200/60000(32%)] 損失: 0.028965  訓練集準确率: 98.72%    測試集準确率： 98.70%
目前epoch：2 [25600/60000(43%)] 損失: 0.048499  訓練集準确率: 98.70%    測試集準确率： 98.82%
目前epoch：2 [32000/60000(53%)] 損失: 0.021659  訓練集準确率: 98.70%    測試集準确率： 98.80%
目前epoch：2 [38400/60000(64%)] 損失: 0.002921  訓練集準确率: 98.72%    測試集準确率： 98.95%
目前epoch：2 [44800/60000(75%)] 損失: 0.015612  訓練集準确率: 98.70%    測試集準确率： 98.92%
目前epoch：2 [51200/60000(85%)] 損失: 0.043291  訓練集準确率: 98.71%    測試集準确率： 99.08%
目前epoch：2 [57600/60000(96%)] 損失: 0.033159  訓練集準确率: 98.72%    測試集準确率： 99.01%
           

如有代碼不懂或者報錯請評論區留言，部落客幫忙解答、調試。