12 从0开始学PyTorch| PyTorch全连接网络：建立区分鸟和飞机的模型

上一小节我们终于开始搭建神经网络了，只不过它很简单，并且对我们更早的时候做的温度计转换模型做了一次迭代，甚至连效果都没有太大的变化，这一小节我们开始处理一些有意思的事情：做一个图像分类的模型。

小图像数据集

今天要用的数据集称为CIFAR-10，关于这个数据集我前几天还看到一个跟它相关的趣闻，谷歌一个大牛发布了一篇论文，用数万美元 TPU 算力，实现在 CIFAR-10 上 0.03% 的改进，创造了新的 SOTA，受到了很多人的质疑。因为CIFAR-10数据集过于简单，不过这仍然是一个非常经典的数据集，很适合我们拿来做小实验。

CIFAR-10数据集一共包含 10 个类别的 RGB 彩色图 片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片。
示例如下，可以看到32×32已经很模糊了，不过人眼大概也能看出是什么东西。

image.png

我们先把数据集下载下来。下载的过程可能有点慢。

这里用到了一个方法torch.manual_seed，用来设置CPU生成随机数的种子，方便下次复现实验结果。

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np
import torch

torch.set_printoptions(edgeitems=2, linewidth=75)
torch.manual_seed(123)

from torchvision import datasets
data_path = '../data-unversioned/p1ch7/'
cifar10 = datasets.CIFAR10(data_path, train=True, download=True) # 这里用train=True限定下载训练集，下面一行用train=False限定下载验证集
cifar10_val = datasets.CIFAR10(data_path, train=False, download=True) 

Dataset类

下载完数据集之后，这里需要介绍一个数据集的类Dataset，我们也可以自己构建数据集并使它符合Dataset的规范，这样我们可以使用一些Dataset的方法。
先把下载的数据集展示一下

class_names = ['airplane','automobile','bird','cat','deer',
               'dog','frog','horse','ship','truck'] #这里给每个类别定义了名字

fig = plt.figure(figsize=(8,3))
num_classes = 10
for i in range(num_classes):
    ax = fig.add_subplot(2, 5, 1 + i, xticks=[], yticks=[])
    ax.set_title(class_names[i])
    img = next(img for img, label in cifar10 if label == i)
    plt.imshow(img)
plt.show()

方法 _ _ mro _ _ ：(这里为了清除的看，以及屏蔽markdown的语法，下划线之间加了空格，本来是没有空格的)
python 类有多继承特性，如果继承关系太复杂，很难看出会先调用那个属性或方法。
为了方便且快速地看清继承关系和顺序，可以用 _ _ mro_ _方法来获取这个类的调用顺序。

type(cifar10).__mro__
outs:
(torchvision.datasets.cifar.CIFAR10,
 torchvision.datasets.vision.VisionDataset,
 torch.utils.data.dataset.Dataset,  #可以看到首先继承了视觉数据集VisionDataset，然后继承了Dataset对象
 object)

Dataset类有两个函数对象_ _ len _ _ () 和 _ _ getitem_ _()
len返回的是数据集的大小，getitem可以按序号返回具体的数据item。

len(cifar10)
outs:
50000

img, label = cifar10[99]
img, label, class_names[label]
outs:
(,
 1,
 'automobile')

plt.imshow(img) #把这个图画出来
plt.show()

这是一辆可爱的红色小汽车

image.png

数据集我们现在已经有了，接下来我们要回忆一下，在最开头的给图片分类的试验中，我们还需要一个预处理的环节，在里面对图像做了各种变换，然后才能够输入到模型中，如果你已经忘了可以翻一下这个系列的第0节课看一下。PyTorch提供了丰富的图像变换方法，方便我们对图像做各种预处理。

from torchvision import transforms
dir(transforms) #通过dir方法查看transforms包里面都包含哪些方法，如果你有兴趣可以查一下每个方法的作用
outs:
['CenterCrop', #我这里写几个注释，中央裁剪
 'CenterCropVideo',#中央裁剪视频
 'ColorJitter',
 'Compose',#压缩
 'FiveCrop',
 'Grayscale',
 'Lambda',
 'LinearTransformation',
 'Normalize', #标准化
 'NormalizeVideo',
 'Pad',
 'RandomAffine',
 'RandomApply',
 'RandomChoice',
 'RandomCrop',#随机裁剪
 'RandomCropVideo',
 'RandomErasing',
 'RandomGrayscale',
 'RandomHorizontalFlip',
 'RandomHorizontalFlipVideo',
 'RandomOrder',
 'RandomPerspective',
 'RandomResizedCrop',
 'RandomResizedCropVideo',
 'RandomRotation',
 'RandomSizedCrop',
 'RandomVerticalFlip',
 'Resize',
 'Scale',
 'TenCrop',
 'ToPILImage',
 'ToTensor', #转换为Tensor
 'ToTensorVideo',
 '__builtins__',
 '__cached__',
 '__doc__',
 '__file__',
 '__loader__',
 '__name__',
 '__package__',
 '__path__',
 '__spec__',
 'functional',
 'functional_video',
 'transforms',
 'transforms_video']

这个时候我们先不做其他的变换，我们看到了最重要的那个ToTensor，它可以帮我们把图片转换成tensor，从而才能进行接下来的工作。

from torchvision import transforms

to_tensor = transforms.ToTensor()
img_t = to_tensor(img)
img_t.shape
outs:
torch.Size([3, 32, 32])

除了显式调用，我们还可以把它作为一个参数传入Dataset.CIFAR10来获得tensor

关于下面所用的 单下划线 _
按照习惯，有时候单个独立下划线是用作一个名字，来表示某个变量是临时的或无关紧要的。

由于tensor_cifar10[99]返回的是两个参数，一个是图像，一个是标签，这里我们不用标签，所以用_作为占位符接收结果

tensor_cifar10 = datasets.CIFAR10(data_path, train=True, download=False,
                          transform=transforms.ToTensor())
img_t, _ = tensor_cifar10[99]
type(img_t)
outs: torch.Tensor

在ToTensor变换中，数据的值也会被缩小到0-1的范围。

img_t.min(), img_t.max()
outs:
(tensor(0.), tensor(1.))

接下来我们需要对数据进行标准化，前面我们学到过，标准化有助于我们的训练。
在这里需要为RGB三通道每个通道的数据进行处理，使得标准化后的数据均值为0，标准差为1。

imgs = torch.stack([img_t for img_t, _ in tensor_cifar10], dim=3) #把5w张图都读进去，此时imgs的大小为 3 * 32 * 32 * 50000
imgs.view(3, -1).mean(dim=1)  # view建立一个视图，只保留第一维，剩下的维度合成第二维，这样计算出的是RGB三通道每个通道的均值和标准差
imgs.view(3, -1).std(dim=1)
transforms.Normalize((0.4915, 0.4823, 0.4468), (0.2470, 0.2435, 0.2616)) #接着调用Normalize方法，对数据进行标准化

接下来把标准化跟之前的转为tensor合起来，作为我们的预处理方法，分别处理训练集和验证集。

transformed_cifar10 = datasets.CIFAR10(
    data_path, train=True, download=False,
    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.4915, 0.4823, 0.4468),
                             (0.2470, 0.2435, 0.2616))
    ]))

transformed_cifar10_val = datasets.CIFAR10(
    data_path, train=False, download=False,
    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.4915, 0.4823, 0.4468),
                             (0.2470, 0.2435, 0.2616))
    ]))

这时候再把图像画出来看看

img_t, _ = transformed_cifar10[99]

plt.imshow(img_t.permute(1, 2, 0))
plt.show()

image.png

可以看到图像更模糊了，有点像动画的感觉，而且这里Notebook给出了一个提示

Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
#这是说输入到imshow方法的数据范围应该在0-255的整数范围或者0-1的浮点数范围，这里我们有一些负的值显然不能满足要求，所以你可以看到大片区域都黑了。

2分类：鸟还是飞机

我们的数据集有10个类别，这里我们先不做那么多的分类，我们先处理一个二分类问题，把鸟和飞机的图像拿出来，做一个全连接的网络来学习，看看能不能用神经网络模型来区分这两个类别。

label_map = {0: 0, 2: 1} #把原来的标签映射到新的标签上，原来分别是0和2，映射到0和1
class_names = ['airplane', 'bird']
cifar2 = [(img, label_map[label])
          for img, label in cifar10 
          if label in [0, 2]]
cifar2_val = [(img, label_map[label])
              for img, label in cifar10_val
              if label in [0, 2]]

我们筛选出数据之后，就要考虑怎么把数据丢进模型里面，这里用一个最简单的办法，就是把图像的数据顺序拼成一个一维向量，如下图所示，然后经过全连接网络，最后输出两个概率值，分别对应它是鸟的概率或者是飞机的概率。

image.png

我们的数据是3 * 32 * 32，也就是有3072个元素，接下来就构建我们的模型。

import torch.nn as nn

n_out = 2

model = nn.Sequential(
            nn.Linear(#输入单元
                3072,  
                512,   
            ),
            nn.Tanh(), #激活层
            nn.Linear( #输出单元
                512,   
                n_out, 
            )
        )

对于上面输入单元，有3072的输入维度，512的输出维度，那么在神经网络中就需要3072 * 512个参数，约为157w。后面我们会再讨论关于参数量的问题。
这里我们定义好了模型，下面来看一下该怎么输出分类结果。
考虑我们前面关于温度变换的输出，是预测一个温度结果值，但是在这个分类任务中，我们这里有两个结果，0表示飞机，1表示鸟。前面我们说过处理这种分类数值，可以使用one-hot编码，对出现飞机的时候表示为[1,0]，对出现鸟的时候表示为[0,1]。我们在样本上可以做这样的标注，但是让模型给出这样确定的结果确实有点为难，因为它是从数学的角度来理解这个图像到底是鸟还是飞机，比如说你给它一个鸟型的飞机，那它可能就搞不清楚了。思考我们的模型，上面的一个点，对于某个类别的结果损失是比较低的，而另一个结果损失会更高。因此模型给出的结果介于0-1之间，我们可以认为第1项是‘飞机’的概率，第2项是‘鸟’的概率。

根据上面的假设，我们期望我们的模型输出结果满足两个条件：

• 输出的每个元素值介于0-1之间
• 输出的元素综总和为1

这听起来似乎有点难度，但是有一个很聪明的函数可以实现这个功能，最关键的是它还可微，满足我们计算梯度的需求，那就是softmax。

softmax方法

softmax的表达式如下，原图上貌似少了几个加号，我给加上了，你应该能看出来吧

image.png

从字面意思来理解，softmax就是软化的最大化方法，相对而言就有hardmax，比如说我们给最高的那个置为1，其他的都置为0；或者用xi / xi累加，那为啥要用softmax，肯定是有它的优势，这是一个很深入的问题，我们有时间再去研究。

这里我们不妨试一下softmax的效果：

def softmax(x):
    return torch.exp(x) / torch.exp(x).sum()

x = torch.tensor([1.0, 2.0, 3.0])

softmax(x)
outs:#经过softmax运算之后，1,2,3变为如下
tensor([0.0900, 0.2447, 0.6652])

显然softmax的结果满足我们前面提到的模型输出结果的两条要求。
同时，输出的结果中，对于较大的结果有了一定的放大作用，而对于较小的数值有了一定的缩小的作用。
这么好用的功能，自然是已经躺在nn模块里面，我们调用nn.Softmax()方法就可以了。

softmax = nn.Softmax(dim=1) #参数指定了softmax执行的维度

x = torch.tensor([[1.0, 2.0, 3.0],
                  [1.0, 2.0, 3.0]])

softmax(x)
outs:
tensor([[0.0900, 0.2447, 0.6652],
        [0.0900, 0.2447, 0.6652]])

#如果我们把dim改成0，输出就是下面这样，就沿着维度0进行了softmax，1和1,2和2,3和3
outs:
tensor([[0.5000, 0.5000, 0.5000],
        [0.5000, 0.5000, 0.5000]])

既然确定要用softmax来作为我们输出时候的变换，那就把它加进我们的神经网络序列里面

model = nn.Sequential(
            nn.Linear(3072, 512),
            nn.Tanh(),
            nn.Linear(512, 2),
            nn.Softmax(dim=1))

这时候我们可以调用一下我们搭建的模型，让我们随便找一幅鸟的图像

img, _ = cifar2[0]

plt.imshow(img.permute(1, 2, 0))
plt.show()

这幅图看起来实在有点难以辨认。

image.png

然后把图像塞进我们的批数据中，并使用模型去预测它

img_batch = img.view(-1).unsqueeze(0)
out = model(img_batch)
out

outs:
tensor([[0.4784, 0.5216]], grad_fn=)

可以看到，我们的模型输出结果是飞机的概率为0.47，鸟的概率是0.52，它竟然分对了，当然这只是一个巧合，我们随机的模型参数恰巧在这个图像上获得了一个正确的结果。

今天的内容就先到这里，下一节我们再研究怎么去迭代模型的参数。