深度学习-使用CNN分类MNIST数据集

参考莫烦大神的视频，视频中没有讲最后的动画演示，他github中有，但是一是数据太大笔记本一运行就卡，二是绘制那部分代码看不懂，所以我删掉了，只是简单运行显示下正确率。

import torch
import torch.nn as nn
import torchvision
import torch.utils.data as Data
import matplotlib.pyplot as plt

"""超参数"""
LR = 0.001  # 学习率
BATCH_SIZE = 50  # 每批的训练个数
EPOCH = 1  # 对这些数据训练几次
DOWNLOAD_MNIST = False  # 运行时是否下载（第一次运行写True，后边都改为False）

"""下载图片并处理"""
train_data = torchvision.datasets.MNIST(  # 去官网下载训练数据
    root='./mnist',  # 保存位置
    train=True,  # 设置为训练数据
    transform=torchvision.transforms.ToTensor(),  # 下载的数据改为tensor的格式，该图片为灰度图片，只有一个通道，是二维的，转换后将数据点由(0，255)压缩为(0，1)
    download=DOWNLOAD_MNIST  # 运行时是否下载
)
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)  # 数据加载器
test_data = torchvision.datasets.MNIST(root='./mnist/', train=False)  # 去官网下载测试数据
test_x = torch.unsqueeze(test_data.data, dim=1).type(torch.FloatTensor)[
         :2000] / 255  # torch.unsqueeze()这个函数主要是对数据维度进行扩充，给指定位置加上维数为一的维度， (2000, 28, 28) 转换为 (2000, 1, 28, 28), 值为(0,1)
test_y = test_data.targets[:2000]  # 截取前两千个测试

"""设置卷积神经网络"""
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(  # 第一个卷积神经网络，输入形状(1，28，28)
            nn.Conv2d(  # 卷积层，通过过滤器提取特征
                in_channels=1,  # 图片有几个通道（灰度图片1通道，彩色图片3通道）
                out_channels=16,  # 过滤器的个数
                kernel_size=5,  # 过滤器的宽和高都是5个像素点
                stride=1,  # 每次移动的像素点的个数（步子大小）
                padding=2,  # 在图片周围添加0的层数，stride=1时，padding=(kernel_size-1)/2
            ),  # 输出形状 (16, 28, 28)
            nn.ReLU(),  # 激活函数
            nn.MaxPool2d(kernel_size=2),  # 池化层，压缩特征，一般采用Max方式，kernel_size=2代表在2*2的特征区间内去除最大的)，输出形状为(16,14,14)
        )
        self.conv2 = nn.Sequential(  # 第二个卷积神经网络，输入形状(16, 14, 14)
            nn.Conv2d(16, 32, 5, 1, 2),  # 输出形状(32, 14, 14)
            nn.ReLU(),  # 激活函数
            nn.MaxPool2d(2),  # 池化层，输出形状 (32, 7, 7)
        )
        self.out = nn.Linear(32 * 7 * 7, 10)  # 展成二维的张量，10个分类

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)  # 形状为(50,32,7,7)
        x = x.view(x.size(0), -1)  # 行数为一批数据的个数，列数-1代表不知道多少列的情况下，根据原来Tensor内容和Tensor的大小自动分配列数，(50, 32 * 7 * 7)
        output = self.out(x)  # 转换成(50,10)
        return output, x
cnn = CNN()
optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)  # 使用Adam训练
loss_func = nn.CrossEntropyLoss()  # CrossEntropyLoss()用于处理多分类问题

"""训练网络模型"""
plt.ion()
for epoch in range(EPOCH):
    for step, (b_x, b_y) in enumerate(train_loader):
        output = cnn(b_x)[0]  # 得到卷积神经网络的输出
        loss = loss_func(output, b_y)  # 计算损失
        optimizer.zero_grad()  # 清空梯度
        loss.backward()  # 反向传播
        optimizer.step()  # 以学习效率0.001来优化梯度
        if step % 50 == 0:   #每50次输出一次
            test_output, last_layer = cnn(test_x)
            pred_y = torch.max(test_output, 1)[1].data.numpy()
            accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0))
            print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.numpy(), '| test accuracy: %.2f' % accuracy)

plt.ioff()
test_output, _ = cnn(test_x[:10])  # 打印前10个的值
pred_y = torch.max(test_output, 1)[1].data.numpy()
print(pred_y, 'prediction number')
print(test_y[:10].numpy(), 'real number')

（因为一般喜欢代码中写详细的注释，就不再单独解释，过于难理解的会另开博客）