经典模型LeNet跑Fashion-MNIST 代码解析

测试6.6. 卷积神经网络（LeNet） — 动手学深度学习 2.0.0 documentation

 

import torch
from torch import nn
from d2l import torch as d2l

net = nn.Sequential(
    #输入通道1表示黑白 输出通道6表示6组取不同特征的卷积核 因为卷积核是5*5,原始图片单通道黑白28*28,看图 目的是输出6组28*28的特征图,故需要四条边都padding补上2条边 左右补4 上下补4,故卷积后可以达成28*28,之后用Sigmoid使结果非线性防止最终模型可以简化成一个线性模型   
    #用Sigmoid是因为relu当时还没有发明出来
    nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),
    #池化平均.使28*28按kernel_size=2 -> 2*2的特征做平均为14*14大小的特征图,步长stride=2使得汇聚窗口不会互相重叠
    nn.AvgPool2d(kernel_size=2, stride=2),
    #以输入通道为6 输出通道为16模式,卷积核有16组的5*5做卷积运算,之后激活函数Sigmoid使之非线性
    nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),
    #继续/2平均后
    nn.AvgPool2d(kernel_size=2, stride=2),
    #此时是16组5*5的特征图,  Flatten拉成一条的向量16*5*5
    nn.Flatten(),
    #做以16*5*5做输入,120输出做一次线性 变成隐藏层1再nn.Sigmoid()非线性
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    #做以120做输入,84输出再做一次线性 变成隐藏层2再nn.Sigmoid()非线性
    nn.Linear(120, 84), nn.Sigmoid(),
    #最后以84输入,10输出做一次线性得到结果Y, 此时Y是10组不同分类中的特征值
    nn.Linear(84, 10))

总体来说就是
1.一张单通道28*28的图片,通过第一次卷积增大特征量->变成6组不同特征量的28*28的C1特征图(6@28*28),之后浓缩特征,进行池化平均->变成6组14*14的S2特征图(6@14*14)->以6组不同特征的图当做6个输入通道,以16组输出通道和5*5的特征和输出成16组10*10的C3特征图(16@10*10)->池化平均16@5*5的S4特征图
2.16@5*5的S4特征图开始做拉成一组大向量做线性的梯度下降,先拉成长度120做一次(120,84)的线性->再做(84,10)的线性->最后输出10种类别的特征值

开始测试 网络结构

X = torch.rand(size=(1, 1, 28, 28), dtype=torch.float32)
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape: \t',X.shape)
#测试每一层是否有错误

#
Conv2d output shape:         torch.Size([1, 6, 28, 28])
Sigmoid output shape:        torch.Size([1, 6, 28, 28])
AvgPool2d output shape:      torch.Size([1, 6, 14, 14])
Conv2d output shape:         torch.Size([1, 16, 10, 10])
Sigmoid output shape:        torch.Size([1, 16, 10, 10])
AvgPool2d output shape:      torch.Size([1, 16, 5, 5])
Flatten output shape:        torch.Size([1, 400])
Linear output shape:         torch.Size([1, 120])
Sigmoid output shape:        torch.Size([1, 120])
Linear output shape:         torch.Size([1, 84])
Sigmoid output shape:        torch.Size([1, 84])
Linear output shape:         torch.Size([1, 10])

读数据

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)

评估方法test 

def evaluate_accuracy_gpu(net, data_iter, device=None): #@save 评估方法test
    """使用GPU计算模型在数据集上的精度"""
    if isinstance(net, nn.Module):
        net.eval()  # 设置为评估模式
        if not device:#调用gpu跑
            device = next(iter(net.parameters())).device
    # 正确预测的数量，总预测的数量
    metric = d2l.Accumulator(2)#累加器用来放置数据 累加
    with torch.no_grad():
        for X, y in data_iter:
            if isinstance(X, list):
                # BERT微调所需的（之后将介绍）
                X = [x.to(device) for x in X]#X放gpu
            else:
                X = X.to(device)
            y = y.to(device)#y放gpu
            metric.add(d2l.accuracy(net(X), y), y.numel())#[0]放每次跑的预测准确的数,[1]放每次跑的总数
    return metric[0] / metric[1] #返回准确的数/总数 即准确率

训练函数 train

#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
    """用GPU训练模型(在第六章定义)"""
    def init_weights(m):#定义init_weights函数用于初始化数据
        if type(m) == nn.Linear or type(m) == nn.Conv2d:
            nn.init.xavier_uniform_(m.weight)#可以初始化我们的权重 使之符合均值0,方差1,否则会出现梯度爆炸或者消失等严重问题 跑不出结果
    net.apply(init_weights)#选定自定义的参数初始化函数 
    print('training on', device)
    net.to(device)
    optimizer = torch.optim.SGD(net.parameters(), lr=lr)#优化函数用sgd,对net.parameters()进行梯度下降
    loss = nn.CrossEntropyLoss()#分类问题 采用softmax的交叉熵函数
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
                            legend=['train loss', 'train acc', 'test acc'])#画图内容
    timer, num_batches = d2l.Timer(), len(train_iter)
    for epoch in range(num_epochs):
        # 训练损失之和，训练准确率之和，样本数
        metric = d2l.Accumulator(3)#3位置的累加器
        net.train()#将模型设置为训练模式：默认参数是Train。model.train（）会启动drop 和 BN，但是model.train(False)不会
        for i, (X, y) in enumerate(train_iter): #enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
            timer.start()
            optimizer.zero_grad()#对不同的train_iter中出来的X,y 每次清除梯度
            X, y = X.to(device), y.to(device)
            y_hat = net(X)
            l = loss(y_hat, y)
            l.backward()#反向传播计算各参数当前梯度比如y对w求梯度
            optimizer.step()#step()之后才会更新参数值 比如x=x−lr∗x.grad
            with torch.no_grad():#累加器加入数据的时候不算入梯度计算范围
                #加入的分别是 损失*批量大小, *这个看下面解析* ,批量大小
                metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])

            timer.stop()
            train_l = metric[0] / metric[2]#损失率
            train_acc = metric[1] / metric[2]#准确率
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:#画图
                animator.add(epoch + (i + 1) / num_batches,
                             (train_l, train_acc, None))
        test_acc = evaluate_accuracy_gpu(net, test_iter)#训练完每一个train_iter的数据后再拿完整的训练好的参数的net验证准确率
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {train_l:.3f}, train acc {train_acc:.3f}, '
          f'test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec '
          f'on {str(device)}')

设置学习率开跑 

lr, num_epochs = 0.9, 10
train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

附录

 交叉熵有点忘了看:

交叉熵损失函数（Cross Entropy Loss）_SongGu1996的博客-CSDN博客

1.解析该accuracy函数:

看不懂的时候 把函数从源文件复制出来调试 方法d2l.那里删了

def accuracy(y_hat, y):
    """Compute the number of correct predictions.

    Defined in :numref:`sec_softmax_scratch`"""
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        y_hat = d2l.argmax(y_hat, axis=1)
    cmp = d2l.astype(y_hat, y.dtype) == y #强制换成某类型
    return float(d2l.reduce_sum(d2l.astype(cmp, y.dtype))) #d2l.astype(cmp, y.dtype)全bool转0,1 转为数字
    #reduce_sum 全部数加起来再转float

感觉有图能看懂了

 

 

2.打点调试  查看卷积核的值学习过程  #net[0].weight   net[3].weight

初始值:初始创建net的时候自动生成全部数据

初始化的时候init再打点

 跳入初始化

初始化跳回去之后发现

 成功初始化为均值0 方差1的卷积核了

再接着跑epoch的时候调试爆了 不知道是因为cpu还是内存不够爆的 重新取消了其他断点,只点了一个

重新的一个数据  与上面的不一样

  可以看出梯度更新卷积核的参数第一行第一个一看好像没变,看看第二行1198->1197 是变了