Pytorch实现mnist手写数字识别

2020/6/29

Hey，突然想起来之前做的一个入门实验，用pytorch实现mnist手写数字识别。可以在这个基础上增加网络层数，或是尝试用不同的数据集，去实现不一样的功能。

Mnist数据集如图：

代码如下：

1. import torch  
2. import torch.nn as nn  
3. import torch.utils.data as Data  
4. import torchvision      # 数据库模块  
5. import matplotlib.pyplot as plt  
6.   
7. torch.manual_seed(1)    # reproducible  
8.   
9. # Hyper Parameters  
10. EPOCH = 1           # 训练整批数据多少次, 为了节约时间, 我们只训练一次  
11. BATCH_SIZE = 50  
12. LR = 0.001          # 学习率  
13. DOWNLOAD_MNIST = True  # 如果你已经下载好了mnist数据就写上 False  
14.   
15.   
16. # Mnist 手写数字  
17. train_data = torchvision.datasets.MNIST(  
18.     root='./mnist/',    # 保存或者提取位置  
19.     train=True,  # this is training data  
20.     transform=torchvision.transforms.ToTensor(),    # 转换 PIL.Image or numpy.ndarray 成  
21.                                                     # torch.FloatTensor (C x H x W), 训练的时候 normalize 成 [0.0, 1.0] 区间  
22.     download=DOWNLOAD_MNIST,          # 没下载就下载, 下载了就不用再下了  
23. )  
24. test_data = torchvision.datasets.MNIST(root='./mnist/', train=False)  
25.   
26. # 批训练 50samples, 1 channel, 28x28 (50, 1, 28, 28)  
27. train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)  
28.   
29. # 为了节约时间, 我们测试时只测试前2000个  
30. test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255.   # shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)  
31. test_y = test_data.test_labels[:2000]  
32. class CNN(nn.Module):  
33.     def __init__(self):  
34.         super(CNN, self).__init__()  
35.         self.conv1 = nn.Sequential(  # input shape (1, 28, 28)  
36.             nn.Conv2d(  
37.                 in_channels=1,      # input height  
38.                 out_channels=16,    # n_filters  
39.                 kernel_size=5,      # filter size  
40.                 stride=1,           # filter movement/step  
41.                 padding=2,      # 如果想要 con2d 出来的图片长宽没有变化, padding=(kernel_size-1)/2 当 stride=1  
42.             ),      # output shape (16, 28, 28)  
43.             nn.ReLU(),    # activation  
44.             nn.MaxPool2d(kernel_size=2),    # 在 2x2 空间里向下采样, output shape (16, 14, 14)  
45.         )  
46.         self.conv2 = nn.Sequential(  # input shape (16, 14, 14)  
47.             nn.Conv2d(16, 32, 5, 1, 2),  # output shape (32, 14, 14)  
48.             nn.ReLU(),  # activation  
49.             nn.MaxPool2d(2),  # output shape (32, 7, 7)  
50.         )  
51.         self.out = nn.Linear(32 * 7 * 7, 10)   # fully connected layer, output 10 classes  
52.   
53.     def forward(self, x):  
54.         x = self.conv1(x)  
55.         x = self.conv2(x)  
56.         x = x.view(x.size(0), -1)   # 展平多维的卷积图成 (batch_size, 32 * 7 * 7)  
57.         output = self.out(x)  
58.         return output  
59.   
60. cnn = CNN()  
61. print(cnn)  # net architecture  
62. """ 
63. CNN ( 
64.   (conv1): Sequential ( 
65.     (0): Conv2d(1, 16, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2)) 
66.     (1): ReLU () 
67.     (2): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1)) 
68.   ) 
69.   (conv2): Sequential ( 
70.     (0): Conv2d(16, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2)) 
71.     (1): ReLU () 
72.     (2): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1)) 
73.   ) 
74.   (out): Linear (1568 -> 10) 
75. ) 
76. """  
77. optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)   # optimize all cnn parameters  
78. loss_func = nn.CrossEntropyLoss()   # the target label is not one-hotted  
79.   
80. # training and testing  
81. for epoch in range(EPOCH):  
82.     for step, (b_x, b_y) in enumerate(train_loader):   # 分配 batch data, normalize x when iterate train_loader  
83.         output = cnn(b_x)               # cnn output  
84.         loss = loss_func(output, b_y)   # cross entropy loss  
85.         optimizer.zero_grad()           # clear gradients for this training step  
86.         loss.backward()                 # backpropagation, compute gradients  
87.         optimizer.step()                # apply gradients  
88.   
89. """ 
90. ... 
91. Epoch:  0 | train loss: 0.0306 | test accuracy: 0.97 
92. Epoch:  0 | train loss: 0.0147 | test accuracy: 0.98 
93. Epoch:  0 | train loss: 0.0427 | test accuracy: 0.98 
94. Epoch:  0 | train loss: 0.0078 | test accuracy: 0.98 
95. """  
96. test_output = cnn(test_x[:10])  
97. pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze()  
98. print(pred_y, 'prediction number')  
99. print(test_y[:10].numpy(), 'real number')  
100.   
101. """ 
102. [7 2 1 0 4 1 4 9 5 9] prediction number 
103. [7 2 1 0 4 1 4 9 5 9] real number 
104. """  

 

这个项目还是很有意思，对于初学者可以先试着对32-60行进行修改，增加网络层数。看看最后效果如何。

九层之台，起于累土。那天看到一句话，一个人把自己的事情做好，已经很不容易了。现在回想起之前安安静静在实验室的日子感觉很遥远，这半年来总是有各种各样的烦心事儿，也少了很多可以静下心来安静学习的时间。也许这就是生活吧C'est La Vie。我们总是要迎接挑战的，虽然没法回学习但是在智星云组用的GPU也是一样的好用，环境都是配置好了的，用来做实验非常节省时间和精力。有同样需求的朋友可以参考：智星云官网： http://www.ai-galaxy.cn/，淘宝店：https://shop36573300.taobao.com/公众号: 智星AI，

最后再唠叨两句，明天就是6月的最后一天了，眼看着2020年就要过去一半了，岁月不居，时节如流。通过这次疫情也让我深刻的认识到管理好自己的时间是多么的重要。往者不可谏，来者犹可追。

 

PEACE

 

参考资料：

https://pytorch.org/docs/stable/index.html

https://morvanzhou.github.io/tutorials/machine-learning/torch/

http://www.planetb.ca/syntax-highlight-word

http://www.ai-galaxy.cn/

https://shop36573300.taobao.com/