3.7 mnist简单数据识别-CNN

# CNN 手写数字
import numpy as np
from torch import nn,optim
from torch.autograd import Variable
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
import torch

# 训练集
train_dataset=datasets.MNIST(root='./',train=True,transform=transforms.ToTensor(),download=True)
# 测试集
test_dataset=datasets.MNIST(root='./',train=False,transform=transforms.ToTensor(),download=True)

# 批次大小
batch_size =64
# 装载训练集
train_loader= DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
# 装载测试集
test_loader= DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=True)

for i,data in enumerate(train_loader):
    inputs,labels=data
    print(inputs.shape)
    print(labels.shape)
    break
    ## torch.Size([64, 1, 28, 28])
    ## torch.Size([64])

# 定义网络结构
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        # 先设置一个卷积层,激活函数采用线性ReLU()  nn.MaxPool2d(2,2)对它进行池化,横竖步长都是2
        self.conv1=nn.Sequential(nn.Conv2d(1,32,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
        self.conv2=nn.Sequential(nn.Conv2d(32,64,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
        self.fc1=nn.Sequential(nn.Linear(64*7*7,1000),nn.Dropout(p=0.5),nn.ReLU())
        self.fc2=nn.Sequential(nn.Linear(1000,10),nn.Softmax(dim=1))
    def forward(self,x):
        #x=x.view(x.size()[0],-1) 卷积不用转换为二维,它只能处理四维数据
        x=self.conv1(x)
        x=self.conv2(x)
        # 全连接要求是二维的数据
        # (64,64,7,7)
        x=x.view(x.size()[0],-1) 
        x=self.fc1(x)
        x=self.fc2(x)
        return x

LR=0.0003
# 定义模型
model=Net()
# 定义代价函数
mse_loss=nn.CrossEntropyLoss()
# 定义优化器
optimizer=optim.Adam(model.parameters(),LR)

# 模型训练
def train():
    # 模型的训练状态,Dropout起作用
    model.train()
    for i,data in enumerate(train_loader):
        # 获得一个批次的数据和标签
        inputs,labels=data
        # 获得模型预测值
        out=model(inputs)
        # 交叉熵代价函数,不需要shape一致,它会自动独热编码
        loss=mse_loss(out,labels)
        # 梯度清0
        optimizer.zero_grad()
        # 梯度计算
        loss.backward()
        # 修改权值
        optimizer.step()
# 模型测试
def test():
    # 模型的测试状态,Dropout不起作用,所有神经元均参与计算
    model.eval()
    correct=0

    # 计算训练集上的准确率
    for i,data in enumerate(train_loader):
        # 获得一个批次的数据和标签
        inputs,labels=data
        # 获得模型预测值
        out=model(inputs)
        # 获得最大值(忽略),以及最大值所在的位置
        _,predicted=torch.max(out,1)
        # 计算正确的个数
        correct+=(predicted==labels).sum()
    # 输出正确率
    print("Train acc:{0}".format(correct.item()/len(train_dataset)))

    correct=0
    # 计算测试集上的准确率
    for i,data in enumerate(test_loader):
        # 获得一个批次的数据和标签
        inputs,labels=data
        # 获得模型预测值
        out=model(inputs)
        # 获得最大值(忽略),以及最大值所在的位置
        _,predicted=torch.max(out,1)
        # 计算正确的个数
        correct+=(predicted==labels).sum()
    # 输出正确率
    print("Test acc:{0}".format(correct.item()/len(test_dataset)))

# 时间太久了,我们先训练5个周期
# 慢是慢,强是真的强
for epoch in range(5):
    print('epoch:',epoch)
    train()
    test()
    ## epoch: 0
    ## Train acc:0.9712166666666666
    ## Test acc:0.9725
    ## epoch: 1
    ## Train acc:0.982
    ## Test acc:0.982
    ## epoch: 2
    ## Train acc:0.9861
    ## Test acc:0.9859
    ## epoch: 3
    ## Train acc:0.9886333333333334
    ## Test acc:0.9888
    ## epoch: 4
    ## Train acc:0.98985
    ## Test acc:0.9895