满心欢喜的来跑这个图像分类，上来就报了个错。
安装torchvision 疯狂报这个错：
raise NotSupportedError(base.range(), "slicing multiple dimensions at the same time isn't supported yet")
torch.jit.frontend.NotSupportedError: slicing multiple dimensions at the same time isn't supported yet
解决了,版本兼容问题.
安装0.2.0就不会报错了
解决了环境问题我们就正式开始吧。
首先要解决的是怎么处理数据：
对于图像，pytorch有一个专门的工具包叫torchvision，也就是我们上面安装的那个。这个包可以加载一些公共的数据集，例如MNIST、CIFAR10等。
根据这个网络教程，这次使用的数据集是CIFAR10.
CIFAR10介绍
训练步骤：
1.加载数据集（大致了解就行，不用太深入了解）
2.定义卷积神经网络（第一次没看懂没关系，多看几次，多复现几次就能明白）
3.定义损失函数（如果明白理论，这一步是非常简单的）
4.训练
5.测试
我们一步一步来：
先加载数据
import torch
import torchvision
import torchvision.transforms as transforms
#torchvision 处理的数据
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=0)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=0)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
训练集和测试集就都下载好了
现在我们运行一段代码来可视化一下：
import matplotlib.pyplot as plt
import numpy as np
# functions to show an image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
图片分辨率只有32×32，所有有点模糊，
可以看出第一幅是船（ship)第二、第三都是鸟（bird）最后一个是货车(truck)
第一步完成了，现在定义网络：网络定义上一篇文章有详细讲过，这里只是稍加改动，将输入的单通道改成三通道（不懂通道的可以微信我）。
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
下面定义损失函数和优化器：
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
训练：
#每一个epoch表示网络将所有图像训练一遍，这里循环为0、1,也就是要把所有图像训练两次。
for epoch in range(2):
running_loss = 0.0
#读取数据训练数据
for i, data in enumerate(trainloader, 0):
inputs, labels = data
#梯度清零
optimizer.zero_grad()
#前向传播
outputs = net(inputs)
#计算损失
loss = criterion(outputs, labels)
#反向传播
loss.backward()
#优化更新参数
optimizer.step()
#累加计算损失
running_loss += loss.item()
if i % 2000 == 1999:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
这样就完成了训练，可以看到损失值在逐步稳定的下降，也就说明模型越来越好。
我们没有把模型保存下来，所以训练完直接预测：
先看一下我们要预测的图片：
dataiter = iter(testloader)
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
这代码跟上面显示训练集代码基本一样，就是把训练集换成了测试集。
可以看到这4个类分别是猫、船、船、飞机。
测试：
#将测试图片输入网络中
outputs = net(images)
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))
因为网络输出outputs是输出10个概率值，这10个概率加起来等于1，谁的概率大，这个就表示是哪个类。所以我们用torch.max来取outouts中与1最接近，也就是最大的那个概率值，然后将这个值的索引返回给predicted，后面通过调用这个索引来看具体是哪个类。
可以看到除了第一个cat猫预测对了，其他三个都预测错了。哈哈哈 这个网络不太行呀。
不过没关系，熟悉这个流程就行。大家可以自己动手改一改网络看会不会有更好的效果。
这个网络结构较小，在cpu上也可以跑起来哦。
关注我们，我们会每天坚持推送学到的新知识给你
