pytorch保存准确率_初学Pytorch：MNIST数据集训练详解
前言
本文讲述了如何使用Pytorch（一种深度学习框架）构建一个简单的卷积神经网络，并使用MNIST数据集（28*28手写数字图片集）进行训练和测试。针对过程中的每个步骤都尽可能的给出了详尽的解释。
有什么问题可以评论区留言。欢迎各路大神指教。
导入包
import 其中cv2需要安装库opencv，用于图片可视化
导入数据集
train_dataset = datasets.MNIST(root = 'data/', train = True,
transform = transforms.ToTensor(), download = True)
test_dataset = datasets.MNIST(root = 'data/', train = False,
transform = transforms.ToTensor(), download = True)使用torchvision中的datasets自动下载数据集
root表示存放在当前目录下'data'文件夹中
train=True表示导入的是训练数据；train=False表示导入的是测试数据。
transform表示对每个数据进行的变化，这里是将其变为Tensor。Tensor是pytorch中存储数据的主要格式，类似于numpy，两者可相互转换。
dowload表示是否下载数据
数据装载
train_loader = DataLoader(dataset = train_dataset, batch_size = 100, shuffle = True)
test_loader = DataLoader(dataset = test_dataset, batch_size= 100, shuffle = True使用DataLoader加载数据集。
dataset表示加载的数据集。
batch_size表示将多少个数据划分为一个batch，也就是一次性喂给模型多少个数据。
shuffle表示是否打乱数据顺序。
DataLoader还有其他参数，有兴趣可以自行搜索。
数据可视化
images使用iter(train_loader)得到train_loader的迭代对象，next()得到迭代对象的值，并且将迭代对象指向下一个值。
make_grid将若干副图像拼接成一副，nrow表示每一行多少图像，padding表示子图像直接的距离。
拼接之后的图像第一维是channel数3，通过transpose将其变换到第三维。
使用cv2中的imshow展示图像，并等待按下任意键后图像消失。
模型定义
class Model(torch.nn.Module):
def __init__(self) :
super(Model, self).__init__()
self.conv1 = torch.nn.Sequential(torch.nn.Conv2d(1, 64, 3, 1, 1),
torch.nn.ReLU(),
torch.nn.Conv2d(64, 128, 3, 1, 1),
torch.nn.ReLU(),
torch.nn.MaxPool2d(2, 2))
self.dense = torch.nn.Sequential(torch.nn.Linear(14*14*128, 1024),
torch.nn.ReLU(),
torch.nn.Dropout(p = 0.5),
torch.nn.Linear(1024, 10))
def forward(self, x) :
x = self.conv1(x)
x = x.view(-1, 14*14*128)
x = self.dense(x)
return x定义的模型Model从torch.nn.Module继承而来，初始化时需要初始化父类。
第一个卷积网络由两个卷积层、两个ReLU层、一个MaxPool层构成，第一个卷积层使用了64个3*3的卷积核，步长为1，填充数为1，计算得输出大小为
然后将第一个网络压缩到一维，输入第二个dense层。Linear是类似于Ax+b的函数，可以设置bias=True or False表示是否有偏置值b。Linear的输出大小是1024。Dropout确保没有过拟合。最后通过Linear再输出10维（0~9是十个数字）。
在forward里面定义前向传播，首先经过第一个卷积网络，然后压缩到一维，最终输入dense层获得最终结果。
损失函数与优化方法
device 使用cuda进行训练，loss定义为交叉熵，使用Adam方法进行优化。
交叉熵（Cross Entropy）的公式为
Adam(Adaptive moment estimation)方法是RMSProp和Momentum方法的结合。
RMSProp方法是一种自适应调整学习率的方法，根据遗忘因子累加之前所有梯度平方，更新学习率。
（以下定义
Momentum是通过上一次的更新发现增强或削弱梯度。如果梯度方向与上一次相同，则加强；不同，则削减。
Adam则是将RMSProp方法中的
训练
if __name__ == "__main__":
epochs = 5
for epoch in range(epochs) :
# train
sum_loss = 0.0
train_correct = 0
for data in train_loader:
inputs, lables = data
inputs, lables = Variable(inputs).cuda(), Variable(lables).cuda()
optimizer.zero_grad()
outputs = model(inputs)
loss = cost(outputs, lables)
loss.backward()
optimizer.step()
_, id = torch.max(outputs.data, 1)
sum_loss += loss.data
train_correct += torch.sum(id == lables.data)
print('[%d,%d] loss:%.03f' % (epoch + 1, epochs, sum_loss / len(train_loader)))
print(' correct:%.03f%%' % (100 * train_correct / len(train_dataset)))训练了5次，每次计算loss和准确度。
zero_grad()将上一个batch的梯度清零，以免梯度累加造成错误。
利用backward()进行反向传播计算梯度，optimizer.step()进行梯度下降。
torch.max(a,b)对a中的固定第b维的情况下，计算最大值，返回最大值及其索引。这里是固定outputs的列，对行求最大值。outputs返回的值可以看作是归属每个类的概率，取最大概率作为最终结果。
最后累加loss并计算准确度。
测试
model.eval()
test_correct = 0
for data in test_loader:
inputs, lables = data
inputs, lables = Variable(inputs).cuda(), Variable(lables).cuda()
outputs = model(inputs)
_, id = torch.max(outputs.data, 1)
test_correct += torch.sum(id == lables.data)
print("correct:%.3f%%" % (100 * test_correct / len(test_dataset)))测试需要用到model的eval()模式，以免将测试数据也用于训练。
最终结果
1,5] loss:0.004
correct:99.000%
[2,5] loss:0.005
correct:99.000%
[3,5] loss:0.004
correct:99.000%
[4,5] loss:0.003
correct:99.000%
[5,5] loss:0.003
correct:99.000%
correct:98.000%从结果上看还可以，准确率有98%。
可以使用数据增强等方法提高训练准确度。
除此之外，也可以将训练结果保存在本地，下次训练直接从文件中load结果。
torch.save(model.state_dict(), "parameter.pkl") #save
model.load_state_dict(torch.load('parameter.pkl')) #load