PyTorch中的神经网络Mnist分类任务怎么实现

这篇“PyTorch中的神经网络Mnist分类任务怎么实现”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“PyTorch中的神经网络Mnist分类任务怎么实现”文章吧。

一、Mnist 分类任务简介

• 其实，分类任务和回归任务在本质上没有任何区别，只是说在结果上是不同的，损失函数是不同的，中间的网络架构却是大体一致的。

• 在本次的分类任务当中，我们使用的数据集是 Mnist 数据集，这个数据集大家都比较熟悉，主要包括四个文件：

• 在上述在上述文件中，训练集 train 一共包含了 60000 张图像和标签，而测试集一共包含了 10000 张图像和标签。

• idx3 表示 3 维，ubyte 表示是以字节的形式进行存储的，t10k 表示 10000 张测试图片（test10000）。

• 每张图片是一个 28*28 像素点的 0 ~ 9 的灰质手写数字图片，黑底白字，图像像素值为 0 ~ 255，越大该点越白。

• 本次分类任务主要包含如下的几个部分：

• （1） 网络基本构建与训练方法，常用函数解析。

• （2） torch.nn.functional 模块。

• （3） nn.Module 模块。

二、Mnist 数据集的读取

• 对于 Mnist 数据集，我们可以通过代码编写，就可以实现自动下载。

%matplotlib inlinefrom pathlib import Pathimport requestsDATA_PATH = Path("data")PATH = DATA_PATH / "mnist"PATH.mkdir(parents=True, exist_ok=True)URL = "Http://deeplearning.net/data/mnist/"FILENAME = "mnist.pkl.gz"

对于我们上面定义的下载路径等等，会进行自动判断，如果该路径下没有 Minst 数据集的话，就会自动进行下载。

if not (PATH / FILENAME).exists():        content = requests.get(URL + FILENAME).content        (PATH / FILENAME).open("wb").write(content)

由于下载出来的数据集是压缩包的状态，因此，我们还需要对其进行解压，具体的代码详见下面。

import pickleimport gzipwith gzip.open((PATH / FILENAME).as_posix(), "rb") as f:        ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")

在上述工作准备完成后，我们可以先查看一个数据，观察他的特征。

from matplotlib import pyplotimport numpy as nppyplot.imshow(x_train[0].reshape((28, 28)), cmap="gray")print(x_train.shape)#(50000, 784)

在此处，我们查看的训练集当中的第一个数据，大小重构为 （28，28，1），表示长是 28，宽是 28，颜色通道是 1（黑白图就只有一个颜色通道），颜色设置为灰色。在查看第一个数据的同时，我们也输出整个训练集的数据大小，其中，(50000, 784) 中的 50000 表示训练集一共有 50000 个数据样本，784 表示训练集中每个样本有 784 个像素点（可以理解成 784 个特征）。

三、 Mnist 分类任务实现

标签和简单网络架构 在分类任务当中，标签的设计是有所不同的。

• 很多人认为预测出来的 9，具体指的是 0，1，2，3，4，5，6，7，8，9 当中的具体哪一个，但实际上并不是这样的，他也是一个 One-Hot 的编码，他预测的出来的不是一个具体的数值，而是十个概率，就是当前这个输入属于 0-9 这十个数字的概率是多少。

• 以上图为例，该输入属于 0 的概率就是 0，属于 1 的概率就是 12%，属于 9 的概率就是 87%，属于 9 的概率最高，因此，该输入的输出就是 9。

• 对于这个网络架构，由于我们的每个数据样本都有 784 个像素点，中间进行特征提取，得到一定数量的特征，最终得到 10 个输出，通过 Softmax 层得到是个概率。

具体代码实现

• 需要注意的是，我们需要先将数据转换成 tensor 才能参与后续建模训练。

• 这里的数据包括 x_train, y_train, x_valid, y_valid 四种，对于他们的含义，我们可以这样理解：

• （1） x_train 包括所有自变量，这些变量将用于训练模型。

• （2） y_train 是指因变量，需要此模型进行预测，其中包括针对自变量的类别标签，我们需要在训练/拟合模型时指定我们的因变量。

• （3） x_valid 也就是 x_test，这些自变量将不会在训练阶段使用，并将用于进行预测，以测试模型的准确性。

• （4） y_valid 也就是 y_test，此数据具有测试数据的类别标签，这些标签将用于测试实际类别和预测类别之间的准确性。

import torchx_train, y_train, x_valid, y_valid = map(    torch.tensor, (x_train, y_train, x_valid, y_valid))n, c = x_train.shapex_train, x_train.shape, y_train.min(), y_train.max()print(x_train, y_train)print(x_train.shape)print(y_train.min(), y_train.max())#tensor([[0., 0., 0.,  ..., 0., 0., 0.],#        [0., 0., 0.,  ..., 0., 0., 0.],#        [0., 0., 0.,  ..., 0., 0., 0.],#        ...,#        [0., 0., 0.,  ..., 0., 0., 0.],#        [0., 0., 0.,  ..., 0., 0., 0.],#        [0., 0., 0.,  ..., 0., 0., 0.]]) tensor([5, 0, 4,  ..., 8, 4, 8])#torch.Size([50000, 784])#tensor(0) tensor(9)

• 在模型训练的过程中，大家经常会看到 nn.Module 和 nn.functional。那什么时候使用 nn.Module，什么时候使用 nn.functional 呢？

• 一般情况下，如果模型有可学习的参数，最好用 nn.Module，其他情况 nn.functional 相对更简单一些。

• 我们先导入需要的模块包。

import torch.nn.functional as Floss_func = F.cross_entropydef model(xb):    return xb.mm(weights) + bias

然后进行参数的设定。

bs = 64xb = x_train[0:bs]  # a mini-batch from xyb = y_train[0:bs]weights = torch.randn([784, 10], dtype = torch.float,  requires_grad = True) bs = 64bias = torch.zeros(10, requires_grad=True)print(loss_func(model(xb), yb))#tensor(10.7988, grad_fn=<NllLossBackward>)

• 我们也创建一个 model 来更简化代码。

• 在这中间必须继承 nn.Module 且在其构造函数中需调用 nn.Module 的构造函数，无需写反向传播函数，nn.Module 能够利用 autograd 自动实现反向传播，Module 中的可学习参数可以通过 named_parameters() 或者 parameters() 返回迭代器。

from torch import nnclass Mnist_NN(nn.Module):    def __init__(self):        super().__init__()        self.hidden1 = nn.Linear(784, 128) #隐藏层1：784*128        self.hidden2 = nn.Linear(128, 256) #隐藏层2：128*256        self.out  = nn.Linear(256, 10) #输出层，256*10    def forward(self, x):        x = F.relu(self.hidden1(x))        x = F.relu(self.hidden2(x))        x = self.out(x)        return x        net = Mnist_NN()print(net)#Mnist_NN(#  (hidden1): Linear(in_features=784, out_features=128, bias=True)#  (hidden2): Linear(in_features=128, out_features=256, bias=True)#  (out): Linear(in_features=256, out_features=10, bias=True)#)

我们可以打印定义好名字里的权重和偏置项，首先打印名字，然后打印参数，最后打印参数的维度。

for name, parameter in net.named_parameters():    print(name, parameter,parameter.size())#hidden1.weight Parameter containing:#tensor([[ 0.0018,  0.0218,  0.0036,  ..., -0.0286, -0.0166,  0.0089],#        [-0.0349,  0.0268,  0.0328,  ...,  0.0263,  0.0200, -0.0137],#        [ 0.0061,  0.0060, -0.0351,  ...,  0.0130, -0.0085,  0.0073],#        ...,#        [-0.0231,  0.0195, -0.0205,  ..., -0.0207, -0.0103, -0.0223],#        [-0.0299,  0.0305,  0.0098,  ...,  0.0184, -0.0247, -0.0207],#        [-0.0306, -0.0252, -0.0341,  ...,  0.0136, -0.0285,  0.0057]],#       requires_grad=True) torch.Size([128, 784])#hidden1.bias Parameter containing:#tensor([ 0.0072, -0.0269, -0.0320, -0.0162,  0.0102,  0.0189, -0.0118, -0.0063,#        -0.0277,  0.0349,  0.0267, -0.0035,  0.0127, -0.0152, -0.0070,  0.0228,#        -0.0029,  0.0049,  0.0072,  0.0002, -0.0356,  0.0097, -0.0003, -0.0223,#        -0.0028, -0.0120, -0.0060, -0.0063,  0.0237,  0.0142,  0.0044, -0.0005,#         0.0349, -0.0132,  0.0138, -0.0295, -0.0299,  0.0074,  0.0231,  0.0292,#        -0.0178,  0.0046,  0.0043, -0.0195,  0.0175, -0.0069,  0.0228,  0.0169,#         0.0339,  0.0245, -0.0326, -0.0260, -0.0029,  0.0028,  0.0322, -0.0209,#        -0.0287,  0.0195,  0.0188,  0.0261,  0.0148, -0.0195, -0.0094, -0.0294,#        -0.0209, -0.0142,  0.0131,  0.0273,  0.0017,  0.0219,  0.0187,  0.0161,#         0.0203,  0.0332,  0.0225,  0.0154,  0.0169, -0.0346, -0.0114,  0.0277,#         0.0292, -0.0164,  0.0001, -0.0299, -0.0076, -0.0128, -0.0076, -0.0080,#        -0.0209, -0.0194, -0.0143,  0.0292, -0.0316, -0.0188, -0.0052,  0.0013,#        -0.0247,  0.0352, -0.0253, -0.0306,  0.0035, -0.0253,  0.0167, -0.0260,#        -0.0179, -0.0342,  0.0033, -0.0287, -0.0272,  0.0238,  0.0323,  0.0108,#         0.0097,  0.0219,  0.0111,  0.0208, -0.0279,  0.0324, -0.0325, -0.0166,#        -0.0010, -0.0007,  0.0298,  0.0329,  0.0012, -0.0073, -0.0010,  0.0057],#       requires_grad=True) torch.Size([128])#hidden2.weight Parameter containing:#tensor([[-0.0383, -0.0649,  0.0665,  ..., -0.0312,  0.0394, -0.0801],#        [-0.0189, -0.0342,  0.0431,  ..., -0.0321,  0.0072,  0.0367],#        [ 0.0289,  0.0780,  0.0496,  ...,  0.0018, -0.0604, -0.0156],#        ...,#        [-0.0360,  0.0394, -0.0615,  ...,  0.0233, -0.0536, -0.0266],#        [ 0.0416,  0.0082, -0.0345,  ...,  0.0808, -0.0308, -0.0403],#        [-0.0477,  0.0136, -0.0408,  ...,  0.0180, -0.0316, -0.0782]],#       requires_grad=True) torch.Size([256, 128])#hidden2.bias Parameter containing:#tensor([-0.0694, -0.0363, -0.0178,  0.0206, -0.0875, -0.0876, -0.0369, -0.0386,#         0.0642, -0.0738, -0.0017, -0.0243, -0.0054,  0.0757, -0.0254,  0.0050,#         0.0519, -0.0695,  0.0318, -0.0042, -0.0189, -0.0263, -0.0627, -0.0691,#         0.0713, -0.0696, -0.0672,  0.0297,  0.0102,  0.0040,  0.0830,  0.0214,#         0.0714,  0.0327, -0.0582, -0.0354,  0.0621,  0.0475,  0.0490,  0.0331,#        -0.0111, -0.0469, -0.0695, -0.0062, -0.0432, -0.0132, -0.0856, -0.0219,#        -0.0185, -0.0517,  0.0017, -0.0788, -0.0403,  0.0039,  0.0544, -0.0496,#         0.0588, -0.0068,  0.0496,  0.0588, -0.0100,  0.0731,  0.0071, -0.0155,#        -0.0872, -0.0504,  0.0499,  0.0628, -0.0057,  0.0530, -0.0518, -0.0049,#         0.0767,  0.0743,  0.0748, -0.0438,  0.0235, -0.0809,  0.0140, -0.0374,#         0.0615, -0.0177,  0.0061, -0.0013, -0.0138, -0.0750, -0.0550,  0.0732,#         0.0050,  0.0778,  0.0415,  0.0487,  0.0522,  0.0867, -0.0255, -0.0264,#         0.0829,  0.0599,  0.0194,  0.0831, -0.0562,  0.0487, -0.0411,  0.0237,#         0.0347, -0.0194, -0.0560, -0.0562, -0.0076,  0.0459, -0.0477,  0.0345,#        -0.0575, -0.0005,  0.0174,  0.0855, -0.0257, -0.0279, -0.0348, -0.0114,#        -0.0823, -0.0075, -0.0524,  0.0331,  0.0387, -0.0575,  0.0068, -0.0590,#        -0.0101, -0.0880, -0.0375,  0.0033, -0.0172, -0.0641, -0.0797,  0.0407,#         0.0741, -0.0041, -0.0608,  0.0672, -0.0464, -0.0716, -0.0191, -0.0645,#         0.0397,  0.0013,  0.0063,  0.0370,  0.0475, -0.0535,  0.0721, -0.0431,#         0.0053, -0.0568, -0.0228, -0.0260, -0.0784, -0.0148,  0.0229, -0.0095,#        -0.0040,  0.0025,  0.0781,  0.0140, -0.0561,  0.0384, -0.0011, -0.0366,#         0.0345,  0.0015,  0.0294, -0.0734, -0.0852, -0.0015, -0.0747, -0.0100,#         0.0801, -0.0739,  0.0611,  0.0536,  0.0298, -0.0097,  0.0017, -0.0398,#         0.0076, -0.0759, -0.0293,  0.0344, -0.0463, -0.0270,  0.0447,  0.0814,#        -0.0193, -0.0559,  0.0160,  0.0216, -0.0346,  0.0316,  0.0881, -0.0652,#        -0.0169,  0.0117, -0.0107, -0.0754, -0.0231, -0.0291,  0.0210,  0.0427,#         0.0418,  0.0040,  0.0762,  0.0645, -0.0368, -0.0229, -0.0569, -0.0881,#        -0.0660,  0.0297,  0.0433, -0.0777,  0.0212, -0.0601,  0.0795, -0.0511,#        -0.0634,  0.0720,  0.0016,  0.0693, -0.0547, -0.0652, -0.0480,  0.0759,#         0.0194, -0.0328, -0.0211, -0.0025, -0.0055, -0.0157,  0.0817,  0.0030,#         0.0310, -0.0735,  0.0160, -0.0368,  0.0528, -0.0675, -0.0083, -0.0427,#        -0.0872,  0.0699,  0.0795, -0.0738, -0.0639,  0.0350,  0.0114,  0.0303],#       requires_grad=True) torch.Size([256])#out.weight Parameter containing:#tensor([[ 0.0232, -0.0571,  0.0439,  ..., -0.0417, -0.0237,  0.0183],#        [ 0.0210,  0.0607,  0.0277,  ..., -0.0015,  0.0571,  0.0502],#        [ 0.0297, -0.0393,  0.0616,  ...,  0.0131, -0.0163, -0.0239],#        ...,#        [ 0.0416,  0.0309, -0.0441,  ..., -0.0493,  0.0284, -0.0230],#        [ 0.0404, -0.0564,  0.0442,  ..., -0.0271, -0.0526, -0.0554],#        [-0.0404, -0.0049, -0.0256,  ..., -0.0262, -0.0130,  0.0057]],#       requires_grad=True) torch.Size([10, 256])#out.bias Parameter containing:#tensor([-0.0536,  0.0007,  0.0227, -0.0072, -0.0168, -0.0125, -0.0207, -0.0558,#         0.0579, -0.0439], requires_grad=True) torch.Size([10])

四、使用 TensorDataset 和 DataLoader 简化

自己构建数据集，使用 batch 取数据会略显麻烦，因此，我们可以使用 TensorDataset 和 DataLoader 这两个模块进行简化。

from torch.utils.data import TensorDatasetfrom torch.utils.data import DataLoadertrain_ds = TensorDataset(x_train, y_train)train_dl = DataLoader(train_ds, batch_size=bs, shuffle=True)valid_ds = TensorDataset(x_valid, y_valid)valid_dl = DataLoader(valid_ds, batch_size=bs * 2)def get_data(train_ds, valid_ds, bs):    return (        DataLoader(train_ds, batch_size=bs, shuffle=True),        DataLoader(valid_ds, batch_size=bs * 2),    )

• 一般在训练模型时加上 model.train()，这样会正常使用 Batch NORMalization 和 Dropout。

• 测试的时候一般选择 model.eval()，这样就不会使用 Batch Normalization 和 Dropout。

import numpy as npdef fit(steps, model, loss_func, opt, train_dl, valid_dl):    for step in range(steps):        model.train()        for xb, yb in train_dl:            loss_batch(model, loss_func, xb, yb, opt)        model.eval()        with torch.no_grad():            losses, nums = zip(                *[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl]            )        val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)        print('当前step:'+str(step), '验证集损失：'+str(val_loss))from torch import optimdef get_model():    model = Mnist_NN()    return model, optim.SGD(model.parameters(), lr=0.001)def loss_batch(model, loss_func, xb, yb, opt=None):    loss = loss_func(model(xb), yb)    if opt is not None:        loss.backward()        opt.step()        opt.zero_grad()    return loss.item(), len(xb)

我们也可以像上篇博文一样，使用三行代码进行解决。

train_dl, valid_dl = get_data(train_ds, valid_ds, bs)model, opt = get_model()fit(25, model, loss_func, opt, train_dl, valid_dl)#当前step:0 验证集损失：2.2796445930480957#当前step:1 验证集损失：2.2440698066711424#当前step:2 验证集损失：2.1889826164245605#当前step:3 验证集损失：2.0985311767578123#当前step:4 验证集损失：1.9517273582458496#当前step:5 验证集损失：1.7341805934906005#当前step:6 验证集损失：1.4719875366210937#当前step:7 验证集损失：1.2273896869659424#当前step:8 验证集损失：1.0362271406173706#当前step:9 验证集损失：0.8963696184158325#当前step:10 验证集损失：0.7927186088562012#当前step:11 验证集损失：0.7141492074012756#当前step:12 验证集损失：0.6529350900650024#当前step:13 验证集损失：0.60417300491333#当前step:14 验证集损失：0.5643046331882476#当前step:15 验证集损失：0.5317994566917419##当前step:16 验证集损失：0.5047958114624024#当前step:17 验证集损失：0.4813900615692139#当前step:18 验证集损失：0.4618900228500366#当前step:19 验证集损失：0.4443243554592133#当前step:20 验证集损失：0.4297310716629028#当前step:21 验证集损失：0.416976597738266#当前step:22 验证集损失：0.406348459148407#当前step:23 验证集损失：0.3963301926612854#当前step:24 验证集损失：0.38733808159828187

以上就是关于“PyTorch中的神经网络Mnist分类任务怎么实现”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注编程网精选频道。