深度学习入门:pytorch实战CIFAR10图片分类

本篇博客站在复现的角度，讲解每一步可能遇到的问题。但并不会逐一对每句代码进行讲解，因此至少需要理解pytorch训练神经网络的过程（如何求梯度并更新参数）。
你可以狠狠的戳这里，直接查看pytorch官网原项目:

我使用的环境：

• pytorch 1.4+cpu
• python 3.7‘

CIFAR10数据样式

我们跳过一些展示图片的过程，直入主题。

首先，要下载CIFAR10数据库。注意：
1、torchvision数据集输出的是PIL类，且值取值范围是[0,1]。因此首先要将PIL转换为Tensor类。pytorch官网上又将其值归一化到[-1,1]，这一步跳过也可以。
推荐阅读：
知乎：什么时候对数据进行[0,1]归一化，什么时候[-1,1]归一化，二者分别在什么场景？
博客：为什么一些机器学习模型需要对数据进行归一化？

2、要是运行出错就把num_workers 这个选项设为0。关于num_wokers作用：

num_workers：使用多进程加载的进程数，0代表不使用多进程

import torch
import torchvision
import torchvision.transforms as transforms
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=2)

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=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')``

其次，我们需要定义一个网络：

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()

网络结构如下图：

接下来我们选择交叉熵损失函数以及带动量的SGD优化器：
推荐阅读：
1、一文搞懂交叉熵

2、各类优化器介绍

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

我们在训练师选择迭代2次，并持续输出损失值。

for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

注意：

	enumerate(trainloader,0) #后面这个0可加可不加，表示起始位置

我自己训练时选择迭代了5次，当然，也不要迭代太多次，防止过拟合。部分结果：

之后就是测试训练结果了：

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

注意：

with torch.no_grad()  # 表明不需要计算梯度