Pytorch實現卷積神經網絡CNN

Pytorch是torch的Python版本，對TensorFlow造成很大的沖擊，TensorFlow無疑是最流行的，但是Pytorch號稱在諸多性能上要優於TensorFlow，比如在RNN的訓練上，所以Pytorch也吸引了很多人的關注。之前有一篇關於TensorFlow實現的CNN可以用來做對比。

下面我們就開始用Pytorch實現CNN。

step 0 導入需要的包

import torch 
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as data
import matplotlib.pyplot as plt

 

step 1  數據預處理

這里需要將training data轉化成torch能夠使用的DataLoader，這樣可以方便使用batch進行訓練。

import torchvision  #數據庫模塊

torch.manual_seed(1) #reproducible

#Hyper Parameters
EPOCH = 1
BATCH_SIZE = 50
LR = 0.001

train_data = torchvision.datasets.MNIST(
    root='/mnist/', #保存位置
    train=True, #training set
    transform=torchvision.transforms.ToTensor(), #converts a PIL.Image or numpy.ndarray 
                                        #to torch.FloatTensor(C*H*W) in range(0.0,1.0)
    download=True
)

test_data = torchvision.datasets.MNIST(root='/MNIST/')
#如果是普通的Tensor數據，想使用torch_dataset = data.TensorDataset(data_tensor=x, target_tensor=y)
#將Tensor轉換成torch能識別的dataset
#批訓練， 50 samples, 1 channel, 28*28, (50, 1, 28 ,28)
train_loader = data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1), volatile=True).type(torch.FloatTensor)[:2000]/255.
test_y = test_data.test_lables[:2000]

 

step 2 定義網絡結構

需要指出的幾個地方：1）class CNN需要繼承Module ; 2)需要調用父類的構造方法：super(CNN, self).__init__()  ；3）在Pytorch中激活函數Relu也算是一層layer； 4）需要實現forward()方法，用於網絡的前向傳播，而反向傳播只需要調用Variable.backward()即可。

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential( #input shape (1,28,28)
            nn.Conv2d(in_channels=1, #input height 
                      out_channels=16, #n_filter
                     kernel_size=5, #filter size
                     stride=1, #filter step
                     padding=2 #con2d出來的圖片大小不變
                     ), #output shape (16,28,28)
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2) #2x2采樣，output shape (16,14,14)
              
        )
        self.conv2 = nn.Sequential(nn.Conv2d(16, 32, 5, 1, 2), #output shape (32,7,7)
                                  nn.ReLU(),
                                  nn.MaxPool2d(2))
        self.out = nn.Linear(32*7*7,10)
        
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1) #flat (batch_size, 32*7*7)
        output = self.out(x)
        return output

 

step 3 查看網絡結構

使用print(cnn)可以看到網絡的結構詳細信息，ReLU()真的是一層layer。

cnn = CNN()
print(cnn)

step 4 訓練

指定optimizer，loss function，需要特別指出的是記得每次反向傳播前都要清空上一次的梯度，optimizer.zero_grad()。

#optimizer
optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)

#loss_fun
loss_func = nn.CrossEntropyLoss()

#training loop
for epoch in range(EPOCH):
    for i, (x, y) in enumerate(train_loader):
        batch_x = Variable(x)
        batch_y = Variable(y)
        #輸入訓練數據
        output = cnn(batch_x)
        #計算誤差
        loss = loss_func(output, batch_y)
        #清空上一次梯度
        optimizer.zero_grad()
        #誤差反向傳遞
        loss.backward()
        #優化器參數更新
        optimizer.step()

 

step 5 預測結果

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])

 

 

reference:

莫凡python pytorch 教程