框架：Pytorch
数据集：Fashion MNIST（手写数字识别的进阶）
网络：卷积神经网络（CNN）又名滑积神经网络
目的：熟悉Pytorch框架, 搭建简易滑积神经网络
结构：
代码：
引用
import torch
import torch.nn as nn
import torchvision.datasets as dsets
from skimage import transform
import torchvision.transforms as transforms
from torch.autograd import Variable
import pandas as pd;
import numpy as np;
from torch.utils.data import Dataset, DataLoader
from vis_utils import *
import random;
import math;超参数
num_epochs = 5;
batch_size = 100;
learning_rate = 0.001;这块黑色的我不知道怎么去掉~哎呀呀，小黑屏幕，哎呀呀，你也去不掉呀，你是咋出来的呢，我也不知道呀！小白菜呀，地里黄呀，小黑屏呀，去不掉呀。嘿嘿！嘿嘿！嘿嘿嘿！
定义数据集
Pytorch中自带数据集Dataset不包括Fashion MNIST，因此需要自定义Fashion MNIST数据集。自定义数据集需继承父类Dataset，并重载父类成员中的两个私有成员函数，
其中__len__应该返回数据集的大小，而__getitem__应该编写支持数据索引的函数。
def getitem(self, index):
def len(self):class FashionMNISTDataset(Dataset):
'''Fashion MNIST Dataset'''
def __init__(self, csv_file, transform=None): #初始化函数，主要用于数据的加载，pandas读取数据为dataframe，转成numpy数组来进行索引 。
"""
Args:
csv_file (string): csv file地址
transform (callable): Optional transform to apply to sample
"""
'''iloc：分割矩阵，data:表格数据。X：样本，Y：标签且在0列。
取样本：行全取、列从第1到结束。取标签：行全取，列取0。'''
data = pd.read_csv(csv_file); #从csv文件加载数据，使用Pandas读入
self.X = np.array(data.iloc[:, 1:]).reshape(-1, 1, 28, 28).astype(float);
self.Y = np.array(data.iloc[:, 0]); #数据转换为numpy数组从而索引
del data; # 结束data对数据的引用，节省空间
self.transform = transform; #transform默认值为None
def __len__(self): #样本长度，即数据集总数，dataloader需使用。
return len(self.X);
def __getitem__(self, idx): #返回单张图片。输入索引，返回该样本及其标签。如果定义transform，转换样本并返回。
item = self.X[idx];
label = self.Y[idx];
if self.transform:
item = self.transform(item);
return (item, label); #样本和标签划分样本集和测试集
train_dataset = FashionMNISTDataset(csv_file='fashionmnist/fashion-mnist_train.csv');
test_dataset = FashionMNISTDataset(csv_file='fashionmnist/fashion-mnist_test.csv')加载数据
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True);
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=True);构建滑积网络
网络继承nn.Module,编写__init__及forward函数。使用nn模块定义网络层：（卷积-归一化-激活-池化）-（卷积-归一化-激活-池化）-全连接层（10类别输出）
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(1, 16, kernel_size=5, padding=2),
nn.BatchNorm2d(16),
nn.ReLU(),
nn.MaxPool2d(2))
self.layer2 = nn.Sequential(
nn.Conv2d(16, 32, kernel_size=5, padding=2),
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(2))
self.fc = nn.Linear(7*7*32, 10)
def forward(self, x):
out = self.layer1(x)
out = self.layer2(out)
out = out.view(out.size(0), -1)
out = self.fc(out)
return out网络实例化
cnn = CNN();定义损失函数
criterion = nn.CrossEntropyLoss();选取优化器
多分类因为使用Softmax回归，将神经网络前向传播得到的结果变成概率分布，所以使用交叉熵损失。 Pytorch将 nn.LogSoftmax() 和 nn.NLLLoss()整合成NN.CrossEntropyLoss（）即为交叉熵。
optimizer = torch.optim.Adam(cnn.parameters(), lr=learning_rate);模型训练
注意：loss.data[0]是pytorch0.3.1版本代码，0.5以上版本会报错，应替换成loss.data.item()。下面代码已替换完成。
下图中一个重中之重的概念是Variable。
losses = []; #记录损失函数
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
images = Variable(images.float())
labels = Variable(labels)
# Forward + Backward + Optimize
#清零
optimizer.zero_grad()
#前向
outputs = cnn(images)
#损失函数
loss = criterion(outputs, labels)
#后向传播
loss.backward()
#优化器迭代
optimizer.step()
#损失函数矩阵
#losses.append(loss.data.item());
losses.append(loss.data.item());
#打印
if (i+1) % 100 == 0:
print ('Epoch : %d/%d, Iter : %d/%d, Loss: %.4f'
%(epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.data.item()))