365天深度学习训练营-第P1周： 实现mnist手写数字识别

365天深度学习训练营-第P1周：

实现mnist手写数字识别
本文为365天深度学习训练营内部限免文章 参考本文所写记录性文章，请在文章开头注明以下内容，复制粘贴即可

https://www.yuque.com/mingtian-fkmxf/hv4lcq/hkhaqc
同样的案例不同的写法～可对比一下我们与官网案例的不同

第P1周：实现mnist手写数字识别

1. mnist数据库

我先查了一下什么叫做mnist原来是nist发布的一个256个手写的数字。
MNIST是什么
我想很多菜鸟和我一样，开始零基础学习机器学习，没办法火啊，为了钱大家都是冲呀。估计很多人开始学习ML，就一头雾水，完全不知道在说什么。因为学习模式和学习其他语言完全不同，我们知道学习其他语言的时候，第一个程序就是打印“Hello World”。

其实机器学习是在某个框架下，使用某种语言，来解决问题。因此对于零基础的菜鸟而言，我们需要先学习好某种语言，可以推荐Python，因为功能强大，而且语法相对简单，也可以使用C++。框架呢，个人推荐是TensorFlow2，因为google的大腿粗啊。

什么是MNIST
建议在了解Python后，开始在TF2的框架下进行。

机器学习的入门就是MNIST。MNIST 数据集来自美国国家标准与技术研究所，是NIST（National Institute of Standards and Technology）的缩小版，训练集（training set）由来自 250 个不同人手写的数字构成，其中 50% 是高中学生，50% 来自人口普查局（the Census Bureau）的工作人员，测试集（test set）也是同样比例的手写数字数据。

获取MNIST
MNIST 数据集可在http://yann.lecun.com/exdb/mnist/获取，图片是以字节的形式进行存储，它包含了四个部分：

Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)
Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)
Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)
Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)

此数据集中，训练样本：共60000个，其中55000个用于训练，另外5000个用于验证。测试样本：共10000个，验证数据比例相同。

数据集中像素值：

a）使用python读取二进制文件方法读取mnist数据集，则读进来的图像像素值为0-255之间；标签是0-9的数值。

b）采用TensorFlow的封装的函数读取mnist，则读进来的图像像素值为0-1之间；标签是0-1值组成的大小为1*10的行向量。

2. 安装环境

●难度：小白入门⭐
●语言：Python3、Pytorch

gao:
python 和pytorch的版本您用的是什么？

K同学啊:
python3.6.5
1.10.0+cu113

conda create --name k1 python=3.6 -y
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

1. 我安装了pycharm2021。然后，创建了一个项目，并创建了一个k2的环境。接下来就是安装cuda和pytorch了。我是用的cuda11.7，我卸载了，然后安装了11.3

2. 然后，我就是，安装了env k3
   conda create --name k3 python=3.6 -y

3. 我在env k3中安装pytorch

conda install pytorch1.10.0 torchvision0.11.0 torchaudio==0.10.0 cudatoolkit=11.3 -c pytorch -c conda-forge

我修改了一下.condarc文件。
我设置了国内的源。
Anaconda 镜像使用帮助
Anaconda 是一个用于科学计算的 Python 发行版，支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。

Anaconda 安装包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下载。

TUNA 还提供了 Anaconda 仓库与第三方源（conda-forge、msys2、pytorch等，查看完整列表）的镜像，各系统都可以通过修改用户目录下的 .condarc 文件。Windows 用户无法直接创建名为 .condarc 的文件，可先执行 conda config --set show_channel_urls yes 生成该文件之后再修改。

注：由于更新过快难以同步，我们不同步pytorch-nightly, pytorch-nightly-cpu, ignite-nightly这三个包。

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

环境的安装，我参考的是动手学深度学习的安装教程。
安装¶
我们需要配置一个环境来运行 Python、Jupyter Notebook、相关库以及运行本书所需的代码，以快速入门并获得动手学习经验。
安装 Miniconda
最简单的方法就是安装依赖Python 3.x的Miniconda。 如果已安装conda，则可以跳过以下步骤。访问Miniconda网站，根据Python3.x版本确定适合你的系统的版本。
如果你使用macOS，假设你的Python版本是3.8（我们的测试版本），你将下载名称包含字符串“MacOSX”的bash脚本，并执行以下操作：

# 文件名可能会更改 sh Miniconda3-py38_4.10.3-MacOSX-x86_64.sh -b 

如果你使用Linux，假设你的Python版本是3.8（我们的测试版本），你将下载名称包含字符串“Linux”的bash脚本，并执行以下操作：

# 文件名可能会更改 sh Miniconda3-py38_4.10.3-Linux-x86_64.sh -b 

接下来，初始化终端Shell，以便我们可以直接运行conda。

~/miniconda3/bin/conda init
现在关闭并重新打开当前的 shell。你应该能用下面的命令创建一个新的环境：

conda create --name d2l python=3.8 -y
现在激活 d2l 环境：

conda activate d2l
安装深度学习框架和d2l软件包
在安装深度学习框架之前，请先检查你的计算机上是否有可用的GPU。 例如，你可以查看计算机是否装有NVIDIA GPU并已安装CUDA。 如果你的机器没有任何GPU，没有必要担心，因为你的CPU在前几章完全够用。 但是，如果你想流畅地学习全部章节，请提早获取GPU并且安装深度学习框架的GPU版本。
MXNETPYTORCHTENSORFLOW
你可以按如下方式安装PyTorch的CPU或GPU版本：

pip install torch1.11.0 pip install torchvision0.12.0
我们的下一步是安装d2l包，以方便调取本书中经常使用的函数和类：

pip install d2l==0.17.5
下载 D2L Notebook
接下来，需要下载这本书的代码。 你可以点击本书HTML页面顶部的“Jupyter 记事本”选项下载后解压代码。 或者，你可以按照如下方式进行下载：
MXNETPYTORCHTENSORFLOW

mkdir d2l-zh && cd d2l-zh curl https://zh-v2.d2l.ai/d2l-zh-2.0.0.zip -o d2l-zh.zip unzip d2l-zh.zip && rm d2l-zh.zip cd pytorch
注意：如果你没有安装unzip，则可以通过运行sudo apt install unzip进行安装。
安装完成后，你可以通过运行以下命令打开Jupyter笔记本（在Window系统的命令行窗口中运行以下命令前，需先将当前路径定位到刚下载的本书代码解压后的目录）：

jupyter notebook
现在，你可以在Web浏览器中打开http://localhost:8888（通常会自动打开）。 由此，你可以运行这本书中每个部分的代码。 在运行书籍代码、更新深度学习框架或d2l软件包之前，请始终执行conda activate d2l以激活运行时环境。 要退出环境，请运行conda deactivate。

要求：
1了解Pytorch，并使用Pytorch构建一个深度学习程序
2了解什么是深度学习

拔高（可选）
1学习文中提到的函数方法

3. 项目教程

一、 前期准备

1. 设置GPU

如果设备上支持GPU就使用GPU,否则使用CPU

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision

device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)

device

提示找不到matplotlib
我就安装一下。

运行 conda clean -i 清除索引缓存，保证用的是镜像站提供的索引。

运行 conda create -n myenv numpy 测试一下吧。

2. 导入数据

使用dataset下载MNIST数据集，并划分好训练集与测试集

使用dataloader加载数据，并设置好基本的batch_size

⭐ torchvision.datasets.MNIST详解

torchvision.datasets是Pytorch自带的一个数据库，我们可以通过代码在线下载数据，这里使用的是torchvision.datasets中的MNIST数据集。

函数原型：
torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)

MNIST
classtorchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)
MNIST Dataset.
Parameters: ● root (string) – Root directory of dataset where processed/training.pt and processed/test.pt exist.
● train (bool, optional) – If True, creates dataset from training.pt, otherwise from test.pt.
● download (bool, optional) – If true, downloads the dataset from the internet and puts it in root directory. If dataset is already downloaded, it is not downloaded again.
● transform (callable, optional) – A function/transform that takes in an PIL image and returns a transformed version. E.g, transforms.RandomCrop
● target_transform (callable, optional) – A function/transform that takes in the target and transforms it.

参数说明：
●root (string) ：数据地址
●train (string) ：True = 训练集，False = 测试集
●download (bool,optional) : 如果为True，从互联网上下载数据集，并把数据集放在root目录下。
●transform (callable, optional )：这里的参数选择一个你想要的数据转化函数，直接完成数据转化
●target_transform (callable,optional) ：接受目标并对其进行转换的函数/转换。

train_ds = torchvision.datasets.MNIST(‘data’,
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)

test_ds = torchvision.datasets.MNIST(‘data’,
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)

这里一直报错，网络超时

我找了一个blog给了解决方案

import torch.nn as nn
import torchvision.transforms as transforms
import torchvision.datasets as dsets
import numpy as np
torch.version

train_dataset = dsets.MNIST(root=‘./data’, train=True, download=True, transform=transforms.ToTensor())
分析了之后，可能是路径的问题，我把原先的第一个参数’data’改为了root=‘./data’就好了）？再次测试没有发现错误，是不是已经下载好数据了。？奇怪 TODO1

train_ds = torchvision.datasets.MNIST(root=‘./data’, train=True, download=True, transform=torchvision.transforms.ToTensor())
test_ds = torchvision.datasets.MNIST(root=‘./data’, train=True, download=True, transform=torchvision.transforms.ToTensor())

⭐ torch.utils.data.DataLoader详解

torch.utils.data.DataLoader是Pytorch自带的一个数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。

函数原型：
torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=None, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False, pin_memory_device=‘’)

参数说明：
●dataset(string) ：加载的数据集
●batch_size (int,optional) ：每批加载的样本大小（默认值：1）
●shuffle(bool,optional) : 如果为True，每个epoch重新排列数据。
●sampler (Sampler or iterable, optional) ： 定义从数据集中抽取样本的策略。 可以是任何实现了 len 的 Iterable。 如果指定，则不得指定 shuffle 。
●batch_sampler (Sampler or iterable, optional) ： 类似于sampler，但一次返回一批索引。与 batch_size、shuffle、sampler 和 drop_last 互斥。
●num_workers(int,optional) ： 用于数据加载的子进程数。 0 表示数据将在主进程中加载（默认值：0）。
●pin_memory (bool,optional) : 如果为 True，数据加载器将在返回之前将张量复制到设备/CUDA 固定内存中。 如果数据元素是自定义类型，或者collate_fn返回一个自定义类型的批次。
●drop_last(bool,optional) : 如果数据集大小不能被批次大小整除，则设置为 True 以删除最后一个不完整的批次。 如果 False 并且数据集的大小不能被批大小整除，则最后一批将保留。 （默认值：False）
●timeout(numeric,optional) : 设置数据读取的超时时间 ， 超过这个时间还没读取到数据的话就会报错。（默认值：0）
●worker_init_fn(callable,optional) ： 如果不是 None，这将在步长之后和数据加载之前在每个工作子进程上调用，并使用工作 id（[0，num_workers - 1] 中的一个 int）的顺序逐个导入。 （默认：None）

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_ds, 
                                       batch_size=batch_size, 
                                       shuffle=True)

test_dl  = torch.utils.data.DataLoader(test_ds, 
                                       batch_size=batch_size)


# 取一个批次查看数据格式
# 数据的shape为：[batch_size, channel, height, weight]
# 其中batch_size为自己设定，channel，height和weight分别是图片的通道数，高度和宽度。
imgs, labels = next(iter(train_dl))
imgs.shape

这里用到了python的基础函数next和iter。iter就是生成可以取数的集合。next就是从集合中去一个数。
Python中next()函数、iter()以及next(iter())函数的用法详解

next() 返回迭代器的下一个项目。

next() 函数要和生成迭代器的iter() 函数一起使用。

语法：

next 语法：

next(iterable[, default])
1
参数说明：

iterable – 可迭代对象
default – 可选，用于设置在没有下一个元素时返回该默认值，如果不设置，又没有下一个元素则会触发 StopIteration 异常。
备注：

list、tuple等都是可迭代对象，我们可以通过iter()函数获取这些可迭代对象的迭代器。然后，我们可以对获取到的迭代器不断使⽤next()函数来获取下⼀条数据。

iter()函数实际上就是调⽤了可迭代对象的 iter ⽅法。

代码范例01：

# 首先获得Iteration对象
it = iter([1,2,3,4,5])
# 循环
while True:
    try:
        # 获得下一个值
        x = next(it)
        print(x)
    except StopIteration:
        # 遇到StopIteration就退出循环
        break

代码范例02：

li = [11, 22, 33, 44, 55]
li_iter = iter(li)
next(li_iter) 
>>>
11
next(li_iter) 
>>>
22
next(li_iter) 
>>>
33
next(li_iter) 
>>>
44
next(li_iter) 
>>>
55
next(li_iter) 
>>>
---------------------------------------------------------------------------
StopIteration                             Traceback (most recent call last)
 in 
----> 1 next(li_iter)

StopIteration: 

注意，当我们已经迭代完最后⼀个数据之后，再次调⽤next()函数会抛出 StopIteration的异常 ，来告诉我们所有数据都已迭代完成，不⽤再执⾏ next()函数了。

3. 数据可视化

squeeze()函数的功能是从矩阵shape中，去掉维度为1的。例如一个矩阵是的shape是（5, 1），使用过这个函数后，结果为（5, ）。

import numpy as np

指定图片大小，图像大小为20宽、5高的绘图(单位为英寸inch)

plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
npimg = np.squeeze(imgs.numpy())
# 将整个figure分成2行10列，绘制第i+1个子图。
plt.subplot(2, 10, i+1)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis(‘off’)

二、构建简单的CNN网络

对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。

●nn.Conv2d为卷积层，用于提取图片的特征，传入参数为输入channel，输出channel，池化核大小
●nn.MaxPool2d为池化层，进行下采样，用更高层的抽象表示图像特征，传入参数为池化核大小
●nn.ReLU为激活函数，使模型可以拟合非线性数据
●nn.Linear为全连接层，可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数和输出特征数（输入特征数由特征提取网络计算得到，如果不会计算可以直接运行网络，报错中会提示输入特征数的大小，下方网络中第一个全连接层的输入特征数为1600）
●nn.Sequential可以按构造顺序连接网络，在初始化阶段就设定好网络结构，不需要在前向传播中重新写一遍

import torch.nn.functional as F

num_classes = 10 # 图片的类别数

class Model(nn.Module):
def init(self):
super().init()
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为33
self.pool1 = nn.MaxPool2d(2) # 设置池化层，池化核大小为22
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)

    # 分类网络
    self.fc1 = nn.Linear(1600, 64)          
    self.fc2 = nn.Linear(64, num_classes)
 # 前向传播
 def forward(self, x):
    x = self.pool1(F.relu(self.conv1(x)))     
    x = self.pool2(F.relu(self.conv2(x)))

    x = torch.flatten(x, start_dim=1)

    x = F.relu(self.fc1(x))
    x = self.fc2(x)
   
    return x

加载并打印模型
from torchinfo import summary

将模型转移到GPU中（我们模型运行均在GPU中进行）

model = Model().to(device)

summary(model)

报错了，缺少torchinfo，用pip install安装了就好了

三、 训练模型

1. 设置超参数

loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)

2. 编写训练函数

3. optimizer.zero_grad()
   函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。

4. loss.backward()
   PyTorch的反向传播(即tensor.backward())是通过autograd包来实现的，autograd包会根据tensor进行过的数学运算来自动计算其对应的梯度。

具体来说，torch.tensor是autograd包的基础类，如果你设置tensor的requires_grads为True，就会开始跟踪这个tensor上面的所有运算，如果你做完运算后使用tensor.backward()，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。

更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用loss.backward()后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。

如果没有进行tensor.backward()的话，梯度值将会是None，因此loss.backward()要写在optimizer.step()之前。

3. optimizer.step()
   step()函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。因为梯度下降是基于梯度的，所以在执行optimizer.step()函数前应先执行loss.backward()函数来计算梯度。

注意：optimizer只负责通过梯度下降进行优化，而不负责产生梯度，梯度是tensor.backward()方法产生的。

训练循环

def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小，一共60000张图片
num_batches = len(dataloader) # 批次数目，1875（60000/32）

train_loss, train_acc = 0, 0  # 初始化训练损失和正确率

for X, y in dataloader:  # 获取图片及其标签
    X, y = X.to(device), y.to(device)
    
    # 计算预测误差
    pred = model(X)          # 网络输出
    loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
    
    # 反向传播
    optimizer.zero_grad()  # grad属性归零
    loss.backward()        # 反向传播
    optimizer.step()       # 每一步自动更新
    
    # 记录acc与loss
    train_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()
    train_loss += loss.item()
        
train_acc  /= size
train_loss /= num_batches

return train_acc, train_loss

3. 编写测试函数

测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器

def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测试集的大小，一共10000张图片
num_batches = len(dataloader) # 批次数目，313（10000/32=312.5，向上取整）
test_loss, test_acc = 0, 0

# 当不进行训练时，停止梯度更新，节省计算内存消耗
with torch.no_grad():
    for imgs, target in dataloader:
        imgs, target = imgs.to(device), target.to(device)
        
        # 计算loss
        target_pred = model(imgs)
        loss        = loss_fn(target_pred, target)
        
        test_loss += loss.item()
        test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()

test_acc  /= size
test_loss /= num_batches

return test_acc, test_loss

4. 正式训练

5. model.train()
   model.train()的作用是启用 Batch Normalization 和 Dropout。

如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropout，model.train()是随机取一部分网络连接来训练更新参数。

2. model.eval()
   model.eval()的作用是不启用 Batch Normalization 和 Dropout。

如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加model.eval()。model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。对于Dropout，model.eval()是利用到了所有网络连接，即不进行随机舍弃神经元。

训练完train样本后，生成的模型model要用来测试样本。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。

epochs = 5
train_loss = []
train_acc = []
test_loss = []
test_acc = []

for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)

model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)

train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)

template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))

print(‘Done’)

四、 结果可视化

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings(“ignore”) #忽略警告信息
plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 用来正常显示中文标签
plt.rcParams[‘axes.unicode_minus’] = False # 用来正常显示负号
plt.rcParams[‘figure.dpi’] = 100 #分辨率

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label=‘Training Accuracy’)
plt.plot(epochs_range, test_acc, label=‘Test Accuracy’)
plt.legend(loc=‘lower right’)
plt.title(‘Training and Validation Accuracy’)

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label=‘Training Loss’)
plt.plot(epochs_range, test_loss, label=‘Test Loss’)
plt.legend(loc=‘upper right’)
plt.title(‘Training and Validation Loss’)
plt.show()