怎么使用PyTorch實(shí)現(xiàn)MLP并在MNIST數(shù)據(jù)集上驗(yàn)證

這篇文章給大家分享的是有關(guān)怎么使用PyTorch實(shí)現(xiàn)MLP并在MNIST數(shù)據(jù)集上驗(yàn)證的內(nèi)容。小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過(guò)來(lái)看看吧。

簡(jiǎn)介

這是深度學(xué)習(xí)課程的第一個(gè)實(shí)驗(yàn)，主要目的就是熟悉 Pytorch 框架。MLP 是多層感知器，我這次實(shí)現(xiàn)的是四層感知器，代碼和思路參考了網(wǎng)上的很多文章。個(gè)人認(rèn)為，感知器的代碼大同小異，尤其是用 Pytorch 實(shí)現(xiàn)，除了層數(shù)和參數(shù)外，代碼都很相似。

Pytorch 寫神經(jīng)網(wǎng)絡(luò)的主要步驟主要有以下幾步：

1 構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)

2 加載數(shù)據(jù)集

3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)（包括優(yōu)化器的選擇和 Loss 的計(jì)算）

4 測(cè)試神經(jīng)網(wǎng)絡(luò)

下面將從這四個(gè)方面介紹 Pytorch 搭建 MLP 的過(guò)程。

項(xiàng)目代碼地址：lab1

過(guò)程

構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)最重要的就是搭建網(wǎng)絡(luò)，第一步就是定義網(wǎng)絡(luò)結(jié)構(gòu)。我這里是創(chuàng)建了一個(gè)四層的感知器，參數(shù)是根據(jù) MNIST 數(shù)據(jù)集設(shè)定的，網(wǎng)絡(luò)結(jié)構(gòu)如下：

# 建立一個(gè)四層感知機(jī)網(wǎng)絡(luò)
class MLP(torch.nn.Module):  # 繼承 torch 的 Module
  def __init__(self):
    super(MLP,self).__init__()  # 
    # 初始化三層神經(jīng)網(wǎng)絡(luò) 兩個(gè)全連接的隱藏層，一個(gè)輸出層
    self.fc1 = torch.nn.Linear(784,512) # 第一個(gè)隱含層 
    self.fc2 = torch.nn.Linear(512,128) # 第二個(gè)隱含層
    self.fc3 = torch.nn.Linear(128,10)  # 輸出層
    
  def forward(self,din):
    # 前向傳播， 輸入值：din, 返回值 dout
    din = din.view(-1,28*28)    # 將一個(gè)多行的Tensor,拼接成一行
    dout = F.relu(self.fc1(din))  # 使用 relu 激活函數(shù)
    dout = F.relu(self.fc2(dout))
    dout = F.softmax(self.fc3(dout), dim=1) # 輸出層使用 softmax 激活函數(shù)
    # 10個(gè)數(shù)字實(shí)際上是10個(gè)類別，輸出是概率分布，最后選取概率最大的作為預(yù)測(cè)值輸出
    return dout

網(wǎng)絡(luò)結(jié)構(gòu)其實(shí)很簡(jiǎn)單，設(shè)置了三層 Linear。隱含層激活函數(shù)使用 Relu; 輸出層使用 Softmax。網(wǎng)上還有其他的結(jié)構(gòu)使用了 droupout，我覺(jué)得入門的話有點(diǎn)高級(jí)，而且放在這里并沒(méi)有什么用，搞得很麻煩還不能提高準(zhǔn)確率。

加載數(shù)據(jù)集

第二步就是定義全局變量，并加載 MNIST 數(shù)據(jù)集：

# 定義全局變量
n_epochs = 10   # epoch 的數(shù)目
batch_size = 20 # 決定每次讀取多少圖片

# 定義訓(xùn)練集個(gè)測(cè)試集，如果找不到數(shù)據(jù)，就下載
train_data = datasets.MNIST(root = './data', train = True, download = True, transform = transforms.ToTensor())
test_data = datasets.MNIST(root = './data', train = True, download = True, transform = transforms.ToTensor())
# 創(chuàng)建加載器
train_loader = torch.utils.data.DataLoader(train_data, batch_size = batch_size, num_workers = 0)
test_loader = torch.utils.data.DataLoader(test_data, batch_size = batch_size, num_workers = 0)

這里參數(shù)很多，所以就有很多需要注意的地方了：

root 參數(shù)的文件夾即使不存在也沒(méi)關(guān)系，會(huì)自動(dòng)創(chuàng)建

transform 參數(shù)，如果不知道要對(duì)數(shù)據(jù)集進(jìn)行什么變化，這里可自動(dòng)忽略

batch_size 參數(shù)的大小決定了一次訓(xùn)練多少數(shù)據(jù)，相當(dāng)于定義了每個(gè) epoch 中反向傳播的次數(shù)

num_workers 參數(shù)默認(rèn)是 0，即不并行處理數(shù)據(jù)；我這里設(shè)置大于 0 的時(shí)候，總是報(bào)錯(cuò)，建議設(shè)成默認(rèn)值

如果不理解 epoch 和 batch_size，可以上網(wǎng)查一下資料。（我剛開(kāi)始學(xué)深度學(xué)習(xí)的時(shí)候也是不懂的）

訓(xùn)練神經(jīng)網(wǎng)絡(luò)

第三步就是訓(xùn)練網(wǎng)絡(luò)了，代碼如下：

# 訓(xùn)練神經(jīng)網(wǎng)絡(luò)
def train():
  # 定義損失函數(shù)和優(yōu)化器
  lossfunc = torch.nn.CrossEntropyLoss()
  optimizer = torch.optim.SGD(params = model.parameters(), lr = 0.01)
  # 開(kāi)始訓(xùn)練
  for epoch in range(n_epochs):
    train_loss = 0.0
    for data,target in train_loader:
      optimizer.zero_grad()  # 清空上一步的殘余更新參數(shù)值
      output = model(data)  # 得到預(yù)測(cè)值
      loss = lossfunc(output,target) # 計(jì)算兩者的誤差
      loss.backward()     # 誤差反向傳播, 計(jì)算參數(shù)更新值
      optimizer.step()    # 將參數(shù)更新值施加到 net 的 parameters 上
      train_loss += loss.item()*data.size(0)
    train_loss = train_loss / len(train_loader.dataset)
    print('Epoch: {} \tTraining Loss: {:.6f}'.format(epoch + 1, train_loss))

訓(xùn)練之前要定義損失函數(shù)和優(yōu)化器，這里其實(shí)有很多學(xué)問(wèn)，但本文就不講了，理論太多了。

訓(xùn)練過(guò)程就是兩層 for 循環(huán)：外層是遍歷訓(xùn)練集的次數(shù)；內(nèi)層是每次的批次（batch）。最后，輸出每個(gè) epoch 的 loss。（每次訓(xùn)練的目的是使 loss 函數(shù)減小，以達(dá)到訓(xùn)練集上更高的準(zhǔn)確率）

測(cè)試神經(jīng)網(wǎng)絡(luò)

最后，就是在測(cè)試集上進(jìn)行測(cè)試，代碼如下：

# 在數(shù)據(jù)集上測(cè)試神經(jīng)網(wǎng)絡(luò)
def test():
  correct = 0
  total = 0
  with torch.no_grad(): # 訓(xùn)練集中不需要反向傳播
    for data in test_loader:
      images, labels = data
      outputs = model(images)
      _, predicted = torch.max(outputs.data, 1)
      total += labels.size(0)
      correct += (predicted == labels).sum().item()
  print('Accuracy of the network on the test images: %d %%' % (
    100 * correct / total))
  return 100.0 * correct / total

這個(gè)測(cè)試的代碼是同學(xué)給我的，我覺(jué)得這個(gè)測(cè)試的代碼特別好，很簡(jiǎn)潔，一直用的這個(gè)。

代碼首先設(shè)置 torch.no_grad()，定義后面的代碼不需要計(jì)算梯度，能夠節(jié)省一些內(nèi)存空間。然后，對(duì)測(cè)試集中的每個(gè) batch 進(jìn)行測(cè)試，統(tǒng)計(jì)總數(shù)和準(zhǔn)確數(shù)，最后計(jì)算準(zhǔn)確率并輸出。

通常是選擇邊訓(xùn)練邊測(cè)試的，這里先就按步驟一步一步來(lái)做。

有的測(cè)試代碼前面要加上 model.eval()，表示這是訓(xùn)練狀態(tài)。但這里不需要，如果沒(méi)有 Batch Normalization 和 Dropout 方法，加和不加的效果是一樣的。

完整代碼

'''
系統(tǒng)環(huán)境: Windows10
Python版本: 3.7
PyTorch版本: 1.1.0
cuda: no
'''
import torch
import torch.nn.functional as F  # 激勵(lì)函數(shù)的庫(kù)
from torchvision import datasets
import torchvision.transforms as transforms
import numpy as np

# 定義全局變量
n_epochs = 10   # epoch 的數(shù)目
batch_size = 20 # 決定每次讀取多少圖片

# 定義訓(xùn)練集個(gè)測(cè)試集，如果找不到數(shù)據(jù)，就下載
train_data = datasets.MNIST(root = './data', train = True, download = True, transform = transforms.ToTensor())
test_data = datasets.MNIST(root = './data', train = True, download = True, transform = transforms.ToTensor())
# 創(chuàng)建加載器
train_loader = torch.utils.data.DataLoader(train_data, batch_size = batch_size, num_workers = 0)
test_loader = torch.utils.data.DataLoader(test_data, batch_size = batch_size, num_workers = 0)


# 建立一個(gè)四層感知機(jī)網(wǎng)絡(luò)
class MLP(torch.nn.Module):  # 繼承 torch 的 Module
  def __init__(self):
    super(MLP,self).__init__()  # 
    # 初始化三層神經(jīng)網(wǎng)絡(luò) 兩個(gè)全連接的隱藏層，一個(gè)輸出層
    self.fc1 = torch.nn.Linear(784,512) # 第一個(gè)隱含層 
    self.fc2 = torch.nn.Linear(512,128) # 第二個(gè)隱含層
    self.fc3 = torch.nn.Linear(128,10)  # 輸出層
    
  def forward(self,din):
    # 前向傳播， 輸入值：din, 返回值 dout
    din = din.view(-1,28*28)    # 將一個(gè)多行的Tensor,拼接成一行
    dout = F.relu(self.fc1(din))  # 使用 relu 激活函數(shù)
    dout = F.relu(self.fc2(dout))
    dout = F.softmax(self.fc3(dout), dim=1) # 輸出層使用 softmax 激活函數(shù)
    # 10個(gè)數(shù)字實(shí)際上是10個(gè)類別，輸出是概率分布，最后選取概率最大的作為預(yù)測(cè)值輸出
    return dout

# 訓(xùn)練神經(jīng)網(wǎng)絡(luò)
def train():
  #定義損失函數(shù)和優(yōu)化器
  lossfunc = torch.nn.CrossEntropyLoss()
  optimizer = torch.optim.SGD(params = model.parameters(), lr = 0.01)
  # 開(kāi)始訓(xùn)練
  for epoch in range(n_epochs):
    train_loss = 0.0
    for data,target in train_loader:
      optimizer.zero_grad()  # 清空上一步的殘余更新參數(shù)值
      output = model(data)  # 得到預(yù)測(cè)值
      loss = lossfunc(output,target) # 計(jì)算兩者的誤差
      loss.backward()     # 誤差反向傳播, 計(jì)算參數(shù)更新值
      optimizer.step()    # 將參數(shù)更新值施加到 net 的 parameters 上
      train_loss += loss.item()*data.size(0)
    train_loss = train_loss / len(train_loader.dataset)
    print('Epoch: {} \tTraining Loss: {:.6f}'.format(epoch + 1, train_loss))
    # 每遍歷一遍數(shù)據(jù)集，測(cè)試一下準(zhǔn)確率
    test()

# 在數(shù)據(jù)集上測(cè)試神經(jīng)網(wǎng)絡(luò)
def test():
  correct = 0
  total = 0
  with torch.no_grad(): # 訓(xùn)練集中不需要反向傳播
    for data in test_loader:
      images, labels = data
      outputs = model(images)
      _, predicted = torch.max(outputs.data, 1)
      total += labels.size(0)
      correct += (predicted == labels).sum().item()
  print('Accuracy of the network on the test images: %d %%' % (
    100 * correct / total))
  return 100.0 * correct / total

# 聲明感知器網(wǎng)絡(luò)
model = MLP()

if __name__ == '__main__':
  train()

10 個(gè) epoch 的訓(xùn)練效果，最后能達(dá)到大約 85% 的準(zhǔn)確率?？梢赃m當(dāng)增加 epoch，但代碼里沒(méi)有用 gpu 運(yùn)行，可能會(huì)比較慢。

pytorch的優(yōu)點(diǎn)

1.PyTorch是相當(dāng)簡(jiǎn)潔且高效快速的框架；2.設(shè)計(jì)追求最少的封裝；3.設(shè)計(jì)符合人類思維，它讓用戶盡可能地專注于實(shí)現(xiàn)自己的想法；4.與google的Tensorflow類似，F(xiàn)AIR的支持足以確保PyTorch獲得持續(xù)的開(kāi)發(fā)更新；5.PyTorch作者親自維護(hù)的論壇 供用戶交流和求教問(wèn)題6.入門簡(jiǎn)單

感謝各位的閱讀！關(guān)于“怎么使用PyTorch實(shí)現(xiàn)MLP并在MNIST數(shù)據(jù)集上驗(yàn)證”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！