機器學習 | CNN卷積神經網絡

測試結果

最後兩行分別爲預測類別與真實類別。

數據預覽

這裏的數據使用的是mnist數據集，你們能夠將代碼中的DOWNLOAD_MNIST值修改成True進行自動下載。

代碼

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision      # 數據庫模塊
import matplotlib.pyplot as plt

#訓練整批數據多少次，這裏爲了節約時間，只訓練一次
EPOCH=1
#每次批處理50個數據
BATCH_SIZE=50
#學習效率
LR=0.001
# 若是已經下載好了mnist數據就寫上False
DOWNLOAD_MNIST = False  


#訓練的數據集:Mnist手寫數字
train_data=torchvision.datasets.MNIST(
    #保存或提取數據集的位置
    root='./mnist/',
    #該數據是訓練數據
    train=True,
    #轉換PIL.Image or numpy.ndarray成torch.FloatTensor (C x H x W), 訓練的時候 normalize 成 [0.0, 1.0] 區間
    transform=torchvision.transforms.ToTensor(),
     #沒下載就下載,下載了就不用再下了
    download=DOWNLOAD_MNIST,
)


#繪製一下數據集
#黑色的地方的值都是0, 白色的地方值大於0.
print(train_data.train_data.size())                 # (60000, 28, 28)
print(train_data.train_labels.size())               # (60000)
plt.imshow(train_data.train_data[2].numpy(), cmap='gray')
plt.title('%i' % train_data.train_labels[2])
plt.show()

#測試數據
test_data=torchvision.datasets.MNIST(root='./mnist/',train=False)

#批訓練50samples,1 channel,28x28 (50, 1, 28, 28)
train_loader=Data.DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True)

#這裏只測試了前2000個
#特徵
test_x=torch.unsqueeze(test_data.test_data,dim=1).type(torch.FloatTensor)[:2000]/255.
#標籤
test_y=test_data.test_labels[:2000]

#構建CNN模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN,self).__init__()
        #input shape(1,28,28)
        self.conv1=nn.Sequential(
            #卷積
            nn.Conv2d(
                in_channels=1,
                out_channels=16,
                #filter size
                kernel_size=5,
                #filter movement/step
                stride=1,
                 #若是想要con2d出來的圖片長寬沒有變化, 
                 #padding=(kernel_size-1)/2當stride=1
                padding=2,
            ),
            #output shape(16,28,28)
            #激勵函數
            nn.ReLU(),
            #池化
            # 在2x2空間裏向下採樣,output shape(16,14,14)
            nn.MaxPool2d(kernel_size=2),
        )
        #input shape(16,14,14)
        self.conv2=nn.Sequential(
            nn.Conv2d(16,32,5,1,2),
            #output shape(32,14,14)
            #激勵函數
            nn.ReLU(),
            #output shape(32,7,7)
            nn.MaxPool2d(2),
        )
        #全鏈接層——進行分類。這裏將其分紅了10類
        self.out=nn.Linear(32*7*7,10)

    def forward(self,x):
        x=self.conv1(x)
        x=self.conv2(x)
        #展平多維的卷積圖成(batch_size,32*7*7)
        x=x.view(x.size(0),-1)
        output=self.out(x)
        return output

cnn=CNN()
print(cnn)


#訓練
#優化器
optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)
#損失函數
loss_func=nn.CrossEntropyLoss()

#開始訓練
for epoch in range(EPOCH):
    for step,(b_x,b_y) in enumerate(train_loader):
        #將數據輸入nn而且獲得output
        output=cnn(b_x)
        #計算output與真實值之間的偏差
        loss=loss_func(output,b_y)
        #清空上一步殘餘更新參數值
        optimizer.zero_grad()
        #偏差反向傳播，讓參數進行更新
        loss.backward()
        #將更新後的參數值施加到nn的parameters上
        optimizer.step()



#測試:選取10個數據
test_output=cnn(test_x[:10])
pred_y=torch.max(test_output,1)[1].data.numpy().squeeze()
print(pred_y, 'prediction number')
print(test_y[:10].numpy(), 'real number')

# if __name__=='__main__':
#     print("hello word")