【Pytorch】简单神经网络

一、任务目标
采用MNIST手写数据，作为数据集。

输入数据
输入数据的大小为（batch,1,28,28），因为Pytorch仅支持小批量数据的导入，所以我们要通过DataLoader将数据集切分为数个batch。

二、神经网络
卷积->激活->池化->卷积->激活->池化->转变为线性数据->线性层->输出结果。

①第一个卷积层
第一个卷积层的输入通道为1，输出通道为10，卷积核的大小为5x5，通过此卷积层，输出数据的大小为（batch,10,24,24），通过第一个ReLU激活层，大小不变。通过第一个池化层（2x2）输出数据的大小为（batch,10,12,12）。

②第二个卷积层
第二个卷积层的输入通道为10，输出通道为20，卷积核的大小为5x5，通过此卷积层，输出数据的大小为（batch,20,8,8），通过第一个ReLU激活层，大小不变。通过第二个池化层（2x2）输出数据的大小为（batch,20,4,4）。

③线性层
将数据变为(batch,320)，通过线性层后，输出数据变为（batch,10）。

三、代码实现

（1）引用的包

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt

（2）准备数据
要将数据转化为张量，同时要对数据进行归一化处理。其中归一化处理中取得均值和方差是根据前人经验总结的，MNIST数据集的经验数据。

batch_size = 64
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307, ), (0.3081, ))
])

读取装配训练和测试数据。

train_dataset = datasets.MNIST(root='dataset/mnist',
                               train=True,
                               download=True,
                               transform=transform)
train_loader = DataLoader(dataset=train_dataset,
                          batch_size=batch_size,
                          shuffle=True)

test_dataset = datasets.MNIST(root='dataset/mnist',
                              train=False,
                              download=True,
                              transform=transform)
test_loader = DataLoader(dataset=test_dataset,
                         batch_size=batch_size,
                         shuffle=False)

（3）建立模型
整个神经网络有2个不同的卷积层，两个相同的池化层，一个线性层。故先构建4个部分。在前馈中执行卷积->激活->池化->卷积->激活->池化->转变为线性数据->线性层->输出结果这一过程。

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)
        self.pooling = torch.nn.MaxPool2d(2)
        self.fc = torch.nn.Linear(320, 10)

    def forward(self, x):
        batch_size = x.size(0)
        x = F.relu(self.pooling(self.conv1(x)))
        x = F.relu(self.pooling(self.conv2(x)))
        x = x.view(batch_size, -1)
        x = self.fc(x)
        return x

（4）训练函数
这里和之前的全连接的线性神经网络没有太大的差别，只是这次将把模型和数据放在GPU上进行运行，所以在读取数据后，要把数据放在device上，device会在主函数用生成。

def train(epoch):
    running_loss = 0
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, target = data
        inputs, target = inputs.to(device), target.to(device)
        optimizer.zero_grad()

        outputs = model(inputs)
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if batch_idx % 300 == 299:
            print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
            running_loss = 0

（5）测试函数
最后将比较，并计算正确率。

def test():
    correct = 0
    total = 0
    with torch.no_grad():
        for data in test_loader:
            images, labels = data
            images, labels = images.to(device), labels.to(device)
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    print('Accuracy on test  set: %d %%' % (100 * correct / total))
    accuracy.append(100 * correct / total)

（6）主函数

#调用模型
model = Net()
#定义使用GPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)
#损失和梯度下降
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
accuracy = []
if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()
    print(accuracy)
    plt.plot(range(10), accuracy)
    plt.xlabel("epoch")
    plt.ylabel("Accuracy")
    plt.show(）

结果展示，显示为正确率。