标签：loss nn Epoch 卷积 self Minibatch 神经网络 data

1. MNIST 数据集分类

构建简单的 CNN 对 MINIST 数据集进行分类。同时，在实验中学习池化与卷积操作的基本作用。

1.1. 引入库

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import matplotlib.pyplot as plt
import numpy

# 一个函数，用来计算模型中有多少参数
def get_n_params(model):
    np = 0
    for p in list(model.parameters()):
        np += p.nelement()
    return np

# 使用GPU训练，可以在菜单 "代码执行工具" -> "更改运行时类型" 里进行设置
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

1.2. 加载数据（MNIST）

PyTorch里包含了 MNIST， CIFAR10 等常用数据集，调用 torchvision.datasets 即可把这些数据由远程下载到本地，下面给出MNIST的使用方法：

torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)

• root 为数据集下载到本地后的根目录，包括 training.pt 和 test.pt 文件。
• train，如果设置为True，从training.pt创建数据集，否则从test.pt创建。
• download，如果设置为True, 从互联网下载数据并放到root文件夹下。
• transform, 一种函数或变换，输入PIL图片，返回变换之后的数据。
• target_transform 一种函数或变换，输入目标，进行变换。

另外值得注意的是，DataLoader是一个比较重要的类，提供的常用操作有：batch_size(每个batch的大小), shuffle(是否进行随机打乱顺序的操作), num_workers(加载数据的时候使用几个子进程)。

input_size  = 28*28   # MNIST上的图像尺寸是 28x28
output_size = 10      # 类别为 0 到 9 的数字，因此为十类

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('./data', train=True, download=True,
        transform=transforms.Compose(
            [transforms.ToTensor(),
             transforms.Normalize((0.1307,), (0.3081,))])),
    batch_size=64, shuffle=True)

test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('./data', train=False, transform=transforms.Compose([
             transforms.ToTensor(),
             transforms.Normalize((0.1307,), (0.3081,))])),
    batch_size=1000, shuffle=True)

成功下载后会有如下的结果：

编写代码来显示数据集中的部分图像，下面输出一个 8*5 的图像矩阵：

plt.figure(figsize=(8, 5))
for i in range(40):
    plt.subplot(8, 5, i + 1)
    image, _ = train_loader.dataset.__getitem__(i)
    plt.imshow(image.squeeze().numpy(),'gray')
    plt.axis('off');

1.3. 创建网络

定义网络时，需要继承 nn.Module，并实现它的 forward 方法，把网络中具有可学习参数的层放在构造函数__init__中。

只要在 nn.Module 的子类中定义了 forward 函数，backward 函数就会自动被实现(利用 autograd)。

class FC2Layer(nn.Module):
    # 把网络中具有可学习参数的层放在构造函数__init__中
    def __init__(self, input_size, n_hidden, output_size):
        # nn.Module子类的函数必须在构造函数中执行父类的构造函数
        # 下式等价于nn.Module.__init__(self)        
        super(FC2Layer, self).__init__()
        self.input_size = input_size
        # 这里直接用 Sequential 就定义了网络，注意要和下面 CNN 的代码区分开
        self.network = nn.Sequential(
            nn.Linear(input_size, n_hidden), 
            nn.ReLU(), 
            nn.Linear(n_hidden, n_hidden), 
            nn.ReLU(), 
            nn.Linear(n_hidden, output_size), 
            nn.LogSoftmax(dim=1)
        )
    def forward(self, x):
        # view一般出现在model类的forward函数中，用于改变输入或输出的形状
        # x.view(-1, self.input_size) 的意思是多维的数据展成二维
        # 代码指定二维数据的列数为 input_size=784，行数 -1 表示我们不想算，电脑会自己计算对应的数字
        # 在 DataLoader 部分，我们可以看到 batch_size 是64，所以得到 x 的行数是64
        # 大家可以加一行代码：print(x.cpu().numpy().shape)
        # 训练过程中，就会看到 (64, 784) 的输出，和我们的预期是一致的

        # forward 函数的作用是，指定网络的运行过程，这个全连接网络可能看不啥意义，
        # 下面的CNN网络可以看出 forward 的作用。
        x = x.view(-1, self.input_size)
        # print(x.cpu().numpy().shape)
        return self.network(x)
    

class CNN(nn.Module):
    def __init__(self, input_size, n_feature, output_size):
        # 执行父类的构造函数，所有的网络都要这么写
        super(CNN, self).__init__()
        # 下面是网络里典型结构的一些定义，一般就是卷积和全连接
        # 池化、ReLU一类的不用在这里定义
        self.n_feature = n_feature
        # 卷积
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=n_feature, kernel_size=5)
        self.conv2 = nn.Conv2d(n_feature, n_feature, kernel_size=5)
        # 全连接
        self.fc1 = nn.Linear(n_feature*4*4, 50)
        self.fc2 = nn.Linear(50, 10)    
    
    # 下面的 forward 函数，定义了网络的结构，按照一定顺序，把上面构建的一些结构组织起来
    # 意思就是，conv1, conv2 等等的，可以多次重用
    def forward(self, x, verbose=False):
        x = self.conv1(x)
        x = F.relu(x)
        x = F.max_pool2d(x, kernel_size=2)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, kernel_size=2)
        x = x.view(-1, self.n_feature*4*4)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        x = F.log_softmax(x, dim=1)
        return x

定义训练和测试函数：

# 训练函数
def train(model):
    model.train()
    # 主里从train_loader里，64个样本一个batch为单位提取样本进行训练
    for batch_idx, (data, target) in enumerate(train_loader):
        # 把数据送到GPU中
        data, target = data.to(device), target.to(device)

        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train: [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

# 测试函数
def test(model):
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        # 把数据送到GPU中
        data, target = data.to(device), target.to(device)
        # 把数据送入模型，得到预测结果
        output = model(data)
        # 计算本次batch的损失，并加到 test_loss 中
        test_loss += F.nll_loss(output, target, reduction='sum').item()
        # get the index of the max log-probability，最后一层输出10个数，
        # 值最大的那个即对应着分类结果，然后把分类结果保存在 pred 里
        pred = output.data.max(1, keepdim=True)[1]
        # 将 pred 与 target 相比，得到正确预测结果的数量，并加到 correct 中
        # 这里需要注意一下 view_as ，意思是把 target 变成维度和 pred 一样的意思                                                
        correct += pred.eq(target.data.view_as(pred)).cpu().sum().item()

    test_loss /= len(test_loader.dataset)
    accuracy = 100. * correct / len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        accuracy))

1.4. 在小型全连接网络上训练（Fully-connected network）

CNN和全连接网络，拥有相同数量的模型参数，在下面的代码输出结果中通过观察 parameters 可以看出。

n_hidden = 8 # number of hidden units

model_fnn = FC2Layer(input_size, n_hidden, output_size)
model_fnn.to(device)
optimizer = optim.SGD(model_fnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_fnn)))

train(model_fnn)
test(model_fnn)

输出结果为：

1.5. 在卷积神经网络上训练

# Training settings 
n_features = 6 # number of feature maps

model_cnn = CNN(input_size, n_features, output_size)
model_cnn.to(device)
optimizer = optim.SGD(model_cnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_cnn)))

train(model_cnn)
test(model_cnn)

输出结果为：

通过对比，在 CNN 上训练得到的准确率明显比在全连接网络上训练得到的准确率高，我们可以得出结论：含有相同参数的 CNN 效果要明显优于简单的全连接网络。CNN 有以上的效果是由于 CNN 通过卷积和池化来更好地挖掘图像中的信息。

1.6. 打乱像素顺序再次在两个网络上训练和测试

考虑到CNN在卷积与池化上的优良特性，如果我们把图像中的像素打乱顺序，这样 卷积 和 池化 就难以发挥作用了，为了验证这个想法，我们把图像中的像素打乱顺序再试试。

首先下面代码展示随机打乱像素顺序后，图像的形态：

# 这里解释一下 torch.randperm 函数，给定参数n，返回一个从0到n-1的随机整数排列
perm = torch.randperm(784)
plt.figure(figsize=(8, 5))
for i in range(20):
    image, _ = train_loader.dataset.__getitem__(i)
    # permute pixels
    image_perm = image.view(-1, 28*28).clone()
    image_perm = image_perm[:, perm]
    image_perm = image_perm.view(-1, 1, 28, 28)
    plt.subplot(8, 5, i + 1)
    plt.imshow(image.squeeze().numpy(), 'gray')
    plt.axis('off')
    plt.subplot(8, 5, i + 21)
    plt.imshow(image_perm.squeeze().numpy(), 'gray')
    plt.axis('off')

输出结果为：

前20张为像素正常的图片，后20张为打乱像素的图片。重新定义训练与测试函数，我们写了两个函数 train_perm 和 test_perm，分别对应着加入像素打乱顺序的训练函数与测试函数。

与之前的训练与测试函数基本上完全相同，只是对 data 加入了打乱顺序操作。

# 对每个 batch 里的数据，打乱像素顺序的函数
def perm_pixel(data, perm):
    # 转化为二维矩阵
    data_new = data.view(-1, 28*28)
    # 打乱像素顺序
    data_new = data_new[:, perm]
    # 恢复为原来4维的 tensor
    data_new = data_new.view(-1, 1, 28, 28)
    return data_new

# 训练函数
def train_perm(model, perm):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        # 像素打乱顺序
        data = perm_pixel(data, perm)

        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train: [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

# 测试函数
def test_perm(model, perm):
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data, target = data.to(device), target.to(device)

        # 像素打乱顺序
        data = perm_pixel(data, perm)

        output = model(data)
        test_loss += F.nll_loss(output, target, reduction='sum').item()
        pred = output.data.max(1, keepdim=True)[1]
        # 把 target 变成维度和 pred 一样的意思                                            
        correct += pred.eq(target.data.view_as(pred)).cpu().sum().item()

    test_loss /= len(test_loader.dataset)
    accuracy = 100. * correct / len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        accuracy))

在全连接网络上训练与测试：

perm = torch.randperm(784)
n_hidden = 8 # number of hidden units

model_fnn = FC2Layer(input_size, n_hidden, output_size)
model_fnn.to(device)
optimizer = optim.SGD(model_fnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_fnn)))

train_perm(model_fnn, perm)
test_perm(model_fnn, perm)

输出结果为：

在 CNN 上训练与测试：

perm = torch.randperm(784)
n_features = 6 # number of feature maps

model_cnn = CNN(input_size, n_features, output_size)
model_cnn.to(device)
optimizer = optim.SGD(model_cnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_cnn)))

train_perm(model_cnn, perm)
test_perm(model_cnn, perm)

输出结果为：

从打乱像素顺序的实验结果来看，全连接网络的性能基本上没有发生变化，但是 CNN 的性能明显下降。

这是因为对于卷积神经网络，会利用像素的局部关系，CNN 使用卷积核来压缩图像的大小，但是打乱顺序以后，这些像素间的关系将无法得到利用。

2. CIFAR10 数据集分类

对于视觉数据，PyTorch 创建了一个叫做 totchvision 的包，该包含有支持加载类似Imagenet，CIFAR10，MNIST 等公共数据集的数据加载模块 torchvision.datasets 和支持加载图像数据数据转换模块 torch.utils.data.DataLoader。

下面将使用CIFAR10数据集，它包含十个类别：

• airplane
• automobile
• bird
• cat
• deer
• dog
• frog
• horse
• ship
• truck

CIFAR-10 中的图像尺寸为3x32x32，也就是RGB的3层颜色通道，每层通道内的尺寸为32*32。

首先，加载并归一化 CIFAR10 使用 torchvision 。torchvision 数据集的输出是范围在[0,1]之间的 PILImage，我们将他们转换成归一化范围为[-1,1]之间的张量 Tensors。

2.1. 引入库并下载资源

import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

# 使用GPU训练，可以在菜单 "代码执行工具" -> "更改运行时类型" 里进行设置
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 注意下面代码中：训练的 shuffle 是 True，测试的 shuffle 是 false
# 训练时可以打乱顺序增加多样性，测试是没有必要
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=8,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

成功运行后结果为：

下面展示 CIFAR10 里面的一些图片：

def imshow(img):
    plt.figure(figsize=(8,8))
    img = img / 2 + 0.5     # 转换到 [0,1] 之间
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# 得到一组图像
# 此处可能由于 pytorch 版本问题报错
images, labels = next(iter(trainloader))
# 展示图像
imshow(torchvision.utils.make_grid(images))
# 展示第一行图像的标签
for j in range(8):
    print(classes[labels[j]])

第一行图像的标签为：

car cat bird cat frog car ship ship

2.2. 定义网络、损失函数和优化器

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 网络放到GPU上
net = Net().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

2.3. 训练网络

for epoch in range(10):  # 重复多轮训练
    for i, (inputs, labels) in enumerate(trainloader):
        inputs = inputs.to(device)
        labels = labels.to(device)
        # 优化器梯度归零
        optimizer.zero_grad()
        # 正向传播 +　反向传播 + 优化 
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        # 输出统计信息
        if i % 100 == 0:   
            print('Epoch: %d Minibatch: %5d loss: %.3f' %(epoch + 1, i + 1, loss.item()))

print('Finished Training')

训练输出结果为：

Epoch: 1 Minibatch:     1 loss: 2.316
Epoch: 1 Minibatch:   101 loss: 1.693
Epoch: 1 Minibatch:   201 loss: 1.794
Epoch: 1 Minibatch:   301 loss: 1.526
Epoch: 1 Minibatch:   401 loss: 1.520
Epoch: 1 Minibatch:   501 loss: 1.520
Epoch: 1 Minibatch:   601 loss: 1.650
Epoch: 1 Minibatch:   701 loss: 1.444
Epoch: 2 Minibatch:     1 loss: 1.498
Epoch: 2 Minibatch:   101 loss: 1.396
Epoch: 2 Minibatch:   201 loss: 1.340
Epoch: 2 Minibatch:   301 loss: 1.499
Epoch: 2 Minibatch:   401 loss: 1.420
Epoch: 2 Minibatch:   501 loss: 1.547
Epoch: 2 Minibatch:   601 loss: 1.319
Epoch: 2 Minibatch:   701 loss: 1.451
Epoch: 3 Minibatch:     1 loss: 1.228
Epoch: 3 Minibatch:   101 loss: 1.169
Epoch: 3 Minibatch:   201 loss: 1.439
Epoch: 3 Minibatch:   301 loss: 1.238
Epoch: 3 Minibatch:   401 loss: 1.159
Epoch: 3 Minibatch:   501 loss: 1.176
Epoch: 3 Minibatch:   601 loss: 1.024
Epoch: 3 Minibatch:   701 loss: 1.256
Epoch: 4 Minibatch:     1 loss: 1.492
Epoch: 4 Minibatch:   101 loss: 1.058
Epoch: 4 Minibatch:   201 loss: 1.223
Epoch: 4 Minibatch:   301 loss: 1.197
Epoch: 4 Minibatch:   401 loss: 1.016
Epoch: 4 Minibatch:   501 loss: 1.225
Epoch: 4 Minibatch:   601 loss: 1.282
Epoch: 4 Minibatch:   701 loss: 1.298
Epoch: 5 Minibatch:     1 loss: 1.157
Epoch: 5 Minibatch:   101 loss: 0.995
Epoch: 5 Minibatch:   201 loss: 0.974
Epoch: 5 Minibatch:   301 loss: 0.866
Epoch: 5 Minibatch:   401 loss: 0.971
Epoch: 5 Minibatch:   501 loss: 0.976
Epoch: 5 Minibatch:   601 loss: 1.036
Epoch: 5 Minibatch:   701 loss: 1.056
Epoch: 6 Minibatch:     1 loss: 1.148
Epoch: 6 Minibatch:   101 loss: 1.101
Epoch: 6 Minibatch:   201 loss: 1.187
Epoch: 6 Minibatch:   301 loss: 1.047
Epoch: 6 Minibatch:   401 loss: 1.121
Epoch: 6 Minibatch:   501 loss: 0.996
Epoch: 6 Minibatch:   601 loss: 0.949
Epoch: 6 Minibatch:   701 loss: 1.005
Epoch: 7 Minibatch:     1 loss: 0.850
Epoch: 7 Minibatch:   101 loss: 0.842
Epoch: 7 Minibatch:   201 loss: 1.065
Epoch: 7 Minibatch:   301 loss: 0.972
Epoch: 7 Minibatch:   401 loss: 0.913
Epoch: 7 Minibatch:   501 loss: 1.146
Epoch: 7 Minibatch:   601 loss: 1.141
Epoch: 7 Minibatch:   701 loss: 0.906
Epoch: 8 Minibatch:     1 loss: 0.955
Epoch: 8 Minibatch:   101 loss: 0.963
Epoch: 8 Minibatch:   201 loss: 0.918
Epoch: 8 Minibatch:   301 loss: 0.605
Epoch: 8 Minibatch:   401 loss: 1.102
Epoch: 8 Minibatch:   501 loss: 0.856
Epoch: 8 Minibatch:   601 loss: 0.859
Epoch: 8 Minibatch:   701 loss: 1.062
Epoch: 9 Minibatch:     1 loss: 1.019
Epoch: 9 Minibatch:   101 loss: 0.815
Epoch: 9 Minibatch:   201 loss: 0.847
Epoch: 9 Minibatch:   301 loss: 0.858
Epoch: 9 Minibatch:   401 loss: 0.934
Epoch: 9 Minibatch:   501 loss: 1.065
Epoch: 9 Minibatch:   601 loss: 0.800
Epoch: 9 Minibatch:   701 loss: 0.824
Epoch: 10 Minibatch:     1 loss: 0.747
Epoch: 10 Minibatch:   101 loss: 0.791
Epoch: 10 Minibatch:   201 loss: 0.840
Epoch: 10 Minibatch:   301 loss: 0.956
Epoch: 10 Minibatch:   401 loss: 0.914
Epoch: 10 Minibatch:   501 loss: 1.005
Epoch: 10 Minibatch:   601 loss: 0.884
Epoch: 10 Minibatch:   701 loss: 1.147
Finished Training

从测试集中取出8张图片：

# 得到一组图像
images, labels = next(iter(testloader))
# 展示图像
imshow(torchvision.utils.make_grid(images))
# 展示图像的标签
for j in range(8):
    print(classes[labels[j]])

把图片输入模型，看看CNN把这些图片识别成什么：

outputs = net(images.to(device))
_, predicted = torch.max(outputs, 1)

# 展示预测的结果
for j in range(8):
    print(classes[predicted[j]])

识别结果为：

dog ship ship plane frog frog car frog

可以看出第一张图片识别出错，接下来看看网络在整个数据集上的表现：

correct = 0
total = 0

for data in testloader:
    images, labels = data
    images, labels = images.to(device), labels.to(device)
    outputs = net(images)
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

结果为：

Accuracy of the network on the 10000 test images: 63 %

3. 使用 VGG16 对 CIFAR10 分类

VGG 是由 Simonyan 和 Zisserman 在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。

该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。

VGG16的网络结构如下图所示：

 

16层网络的结节信息如下：

• 01：Convolution using 64 filters
• 02: Convolution using 64 filters + Max pooling
• 03: Convolution using 128 filters
• 04: Convolution using 128 filters + Max pooling
• 05: Convolution using 256 filters
• 06: Convolution using 256 filters
• 07: Convolution using 256 filters + Max pooling
• 08: Convolution using 512 filters
• 09: Convolution using 512 filters
• 10: Convolution using 512 filters + Max pooling
• 11: Convolution using 512 filters
• 12: Convolution using 512 filters
• 13: Convolution using 512 filters + Max pooling
• 14: Fully connected with 4096 nodes
• 15: Fully connected with 4096 nodes
• 16: Softmax

3.1. 定义 dataloader

import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

# 使用GPU训练，可以在菜单 "代码执行工具" -> "更改运行时类型" 里进行设置
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])

transform_test = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,  download=True, transform=transform_train)
testset  = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(testset, batch_size=128, shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

3.2. VGG 网络定义

VGG 网络结构为：

• 64 conv, maxpooling,
• 128 conv, maxpooling,
• 256 conv, 256 conv, maxpooling,
• 512 conv, 512 conv, maxpooling,
• 512 conv, 512 conv, maxpooling,
• softmax

VGG模型实现代码：

class VGG(nn.Module):
    def __init__(self):
        super(VGG, self).__init__()
        self.cfg = [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M']
        self.features = self._make_layers(self.cfg)
        self.classifier = nn.Linear(512, 10)

    def forward(self, x):
        out = self.features(x)
        out = out.view(out.size(0), -1)
        out = self.classifier(out)
        return out

    def _make_layers(self, cfg):
        layers = []
        in_channels = 3
        for x in cfg:
            if x == 'M':
                layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
            else:
                layers += [nn.Conv2d(in_channels, x, kernel_size=3, padding=1),
                           nn.BatchNorm2d(x),
                           nn.ReLU(inplace=True)]
                in_channels = x
        layers += [nn.AvgPool2d(kernel_size=1, stride=1)]
        return nn.Sequential(*layers)

# 网络放到GPU上
net = VGG().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

3.3. 网络训练

for epoch in range(10):  # 重复多轮训练
    for i, (inputs, labels) in enumerate(trainloader):
        inputs = inputs.to(device)
        labels = labels.to(device)
        # 优化器梯度归零
        optimizer.zero_grad()
        # 正向传播 + 反向传播 + 优化 
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        # 输出统计信息
        if i % 100 == 0:   
            print('Epoch: %d Minibatch: %5d loss: %.3f' %(epoch + 1, i + 1, loss.item()))

print('Finished Training')

训练结果为：

Epoch: 1 Minibatch:     1 loss: 2.538
Epoch: 1 Minibatch:   101 loss: 1.650
Epoch: 1 Minibatch:   201 loss: 1.342
Epoch: 1 Minibatch:   301 loss: 1.204
Epoch: 2 Minibatch:     1 loss: 1.071
Epoch: 2 Minibatch:   101 loss: 1.077
Epoch: 2 Minibatch:   201 loss: 0.880
Epoch: 2 Minibatch:   301 loss: 0.824
Epoch: 3 Minibatch:     1 loss: 0.942
Epoch: 3 Minibatch:   101 loss: 0.827
Epoch: 3 Minibatch:   201 loss: 0.693
Epoch: 3 Minibatch:   301 loss: 0.692
Epoch: 4 Minibatch:     1 loss: 0.669
Epoch: 4 Minibatch:   101 loss: 0.761
Epoch: 4 Minibatch:   201 loss: 0.576
Epoch: 4 Minibatch:   301 loss: 0.631
Epoch: 5 Minibatch:     1 loss: 0.633
Epoch: 5 Minibatch:   101 loss: 0.640
Epoch: 5 Minibatch:   201 loss: 0.605
Epoch: 5 Minibatch:   301 loss: 0.470
Epoch: 6 Minibatch:     1 loss: 0.501
Epoch: 6 Minibatch:   101 loss: 0.522
Epoch: 6 Minibatch:   201 loss: 0.582
Epoch: 6 Minibatch:   301 loss: 0.439
Epoch: 7 Minibatch:     1 loss: 0.477
Epoch: 7 Minibatch:   101 loss: 0.437
Epoch: 7 Minibatch:   201 loss: 0.400
Epoch: 7 Minibatch:   301 loss: 0.523
Epoch: 8 Minibatch:     1 loss: 0.357
Epoch: 8 Minibatch:   101 loss: 0.507
Epoch: 8 Minibatch:   201 loss: 0.415
Epoch: 8 Minibatch:   301 loss: 0.496
Epoch: 9 Minibatch:     1 loss: 0.325
Epoch: 9 Minibatch:   101 loss: 0.454
Epoch: 9 Minibatch:   201 loss: 0.509
Epoch: 9 Minibatch:   301 loss: 0.364
Epoch: 10 Minibatch:     1 loss: 0.319
Epoch: 10 Minibatch:   101 loss: 0.313
Epoch: 10 Minibatch:   201 loss: 0.337
Epoch: 10 Minibatch:   301 loss: 0.335
Finished Training

前向传播过程中出现了一个 mat1 and mat2 shapes cannot be multiplied (128x512 and 2048x10)错误，这里是由于矩阵相乘时前后两个矩阵的行和列不符合矩阵惩罚，将后一个矩阵的行数修改为前一个矩阵的列数即可。

3.4. 测试验证准确率

correct = 0
total = 0

for data in testloader:
    images, labels = data
    images, labels = images.to(device), labels.to(device)
    outputs = net(images)
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %.2f %%' % (
    100 * correct / total))

输出结果为：

Accuracy of the network on the 10000 test images: 82.87 %

可以看到，使用一个简化版的 VGG 网络，就能够显著地将准确率由 64%，提升到 82.87%

4. 思考问题

1、dataloader 里面 shuffle 取不同值有什么区别？

shuffle 是 bool 类型的参数，当 shuffle 为 True 时，加载数据集数据时会先将数据打乱，shuffle 为 False 时不打乱，打乱顺序会使得每轮训练中的数据序列都不一样，消除了数据排列对训练效果的影响。

2、transform 里，取了不同值，这个有什么区别？

transforms是pytorch中的图像预处理包，包含了很多种对图像数据进行变换的函数，包括数据归一化，随机裁剪、翻转等，可以用于数据增强，充分利用数据样本，提高训练模型的泛化能力。

normalize 是用给定的均值和标准差分别对每个通道的数据进行正则化，对每个通道的操作如下：

output[channel] = (input[channel] - mean[channel]) / std[channel]

normalize(mean, std) 将数据处理为均值为 0，标准差为 1 的分布。

数据在 normalize 之前是 [0,1] 之间，normalize 之后数据是 [-1,1] 之间的。

3、epoch 和 batch 的区别？

batch 大小是梯度下降的超参数，它定义在更新模型的内部参数之前要处理的训练样本的数量。batch 大小是在更新模型之前处理的样本数。

epoch 数是定义通过训练数据集的完整通过数的梯度下降的超参数。一个 epoch 由一个或多个 batch 组成。epoch数是训练数据集的完整通过数。

batch 的大小必须大于或等于1，并且小于或等于训练数据集中的样本数。

4、1x1 的卷积和 FC 有什么区别？主要起什么作用？

1x1 的卷积和 FC 在数学本质上没什么区别，都是特征图中的元素乘以权重再求和。

1x1 卷积的作用主要是用于减少或者增加特征图的层数，起降维的作用。

5、residual leanring 为什么能够提升准确率？

在训练网络的过程中，深度越深，参数越复杂，网络也就越复杂，但分类任务具有过程未知性，并且深度的神经网络很难实现恒等映射，导致网络很难学习到更优的参数，引入残差学习后，网络能实现恒等映射了，训练过程中可以根据实际效果跳过其中的几个层，灵活性更大，因此可以提高准确率。

6、代码练习二里，网络和1989年 Lecun 提出的 LeNet 有什么区别？

激活函数不同，LeNet 使用 sigmoid 激活函数，代码练习二中使用 ReLu 激活函数；

数据的尺寸不一样，CIFAR10 是 32x32，但 MNIST 是 28x28；

练习二中使用的是最大池化，而 LeNet 使用的是平均池化。

7、代码练习二里，卷积以后feature map 尺寸会变小，如何应用 Residual Learning?

可以使用 1x1 卷积来调整维度和 feature map 尺寸。

8、有什么方法可以进一步提升准确率？

选择更合适的激活函数和损失函数；

使用 Dropout 防止过拟合；

使用多个较小的卷积核来代替一个较大的卷积核，例如用两个 3x3 的卷积核来替代一个 5x5 的卷积核。

标签：loss,nn,Epoch,卷积,self,Minibatch,神经网络,data
From： https://www.cnblogs.com/ldiou/p/17090487.html