1 开发环境
电脑系统：Windows 10
编译器：Jupter Lab
语言环境：Python 3.8
深度学习环境：Pytorch
2 前期准备
2.1 Jupter Lab
（参考https://blog.csdn.net/I_am_toutu/article/details/125495186）
（1）在确保已安装了Anaconda后，在开始菜单处打开Anaconda prompt
（2）若没有安装jupyter-ab则通过以下命令安装
conda install jupyterlab
（3）启动jupyterla：
①方法一：在Anaconda Prompt输入jupyter lab,如下所示
②方法二：win+r打开运行窗口，输入Jupter lab，打开软件
（4）修改默认文件保存路径，在Anaconda Prompt中执行：
（参考https://www.jb51.net/article/274656.htm）
jupyter notebook --generate-config
提示文件jupyter_lab_config.py存放的路径，在此路径找到并打开，找到如下红框处内容，并修改路径，重启jpyter lab即可
（5）将已有conda虚拟环境加入Jupyter的kernel中
在jupyter lab界面右上角处可看到目前使用的kernel
点击红框处可选择kernel，如下图所示，初始状态时只有一个默认的主环境，应于conda中的Base。
若想使用其他已有的虚拟环境则需要写入。（先关闭之前打开的jupyter lab）
①进入需要添加的虚拟环境，执行
conda activate <虚拟环境名>
②安装ipykernel，执行
conda install ipykernel
③将虚拟环境添加未kernel，执行
python -m ipykernel install --name <已存在的虚拟环境名> --display-name <Jupyterlab的kernel名称>
重启Jupyter lab后，选择添加后的kernel即可。
2.2 设置GPU
由于实验所用电脑显卡维集成显卡（intel(r) UHD graphics），因此无法使用GPU。
# 设置GPU(没有GPU则为CPU)
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print('device', device)执行结果如下所示：
3 导入数据
3.1 下载数据
使用torchvision.datasets.MNIST下载MNIST数据集，并划分好训练集与测试集
若本地已下载过MNIST数据集，则从本地直接读取（通过调整参数download = False实现）
3.1.1函数原型
torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)
3.1.2参数说明
root (string) ：数据地址
train (string) ：True = 训练集，False = 测试集
download (bool,optional) : 如果为True，从互联网上下载数据集，并把数据集放在 root 目录下。
transform (callable, optional )：这里的参数选择一个你想要的数据转化函数，直接完成数据转化
target_transform (callable,optional) ：接受目标并对其进行转换的函数/转换。
3.1.3实验代码
# 导入数据库
import os
ROOT_FOLDER = 'data'
MNIST_FOLDER = ROOT_FOLDER + '/MNIST'
if not os.path.exists(MNIST_FOLDER) or not os.path.isdir(MNIST_FOLDER):
print('开始下载数据集')
# 下载训练集
train_ds = torchvision.datasets.MNIST(ROOT_FOLDER,
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
# 下载测试集
test_ds = torchvision.datasets.MNIST(ROOT_FOLDER,
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
else:
print('数据集已下载 直接读取')
# 读取已下载的训练集
train_ds = torchvision.datasets.MNIST(ROOT_FOLDER,
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=False)
# 读取已下载的测试集
test_ds = torchvision.datasets.MNIST(ROOT_FOLDER,
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=False)
执行结果如下所示：
运行后，在路径中创建了data文件夹，将数据包下载到此，同时将数据集直接转换成Tensor：
3.2 加载数据
使用torch.utils.data.DataLoader加载数据，并设置batch_size=32
3.2.1函数说明
torch.utils.data.DataLoader主要是对数据进行 batch 的划分，其说明如下：
（1）它是数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。
（2）在训练模型时使用到此函数，用来 把训练数据分成多个小组 ，此函数 每次抛出一组数据 。直至把所有的数据都抛出。就是做一个数据的初始化。
（3）需要注意的是输入进函数的数据一定得是可迭代的。如果是自定的数据集的话可以在定义类中用def__len__、def__getitem__定义。
3.2.2函数原型和参数说明
其函数原型如下：
torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=None, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False, pin_memory_device=‘’)
其参数说明如下：
dataset (string) ：加载的数据集
batch_size (int,optional) ：每批加载的样本大小（默认值：1）
shuffle (bool,optional) : 如果为True，每个 epoch 重新排列数据。
sampler (Sampler or iterable, optional) ： 定义从数据集中抽取样本的策略。 可以是任何实现了 len 的 Iterable。 如果指定，则不得指定 shuffle 。
batch_sampler (Sampler or iterable, optional) ： 类似于 sampler，但一次返回一批索引。与 batch_size、shuffle、sampler 和 drop_last 互斥。
num_workers (int,optional) ： 用于数据加载的子进程数。 0 表示数据将在主进程中加载 (默认值：0) 。
pin_memory (bool,optional) : 如果为 True，数据加载器将在返回之前将张量复制到设备/CUDA 固定内存中。 如果数据元素是自定义类型，或者 collate_fn 返回一个自定义类型的批次。
drop_last (bool,optional) : 如果数据集大小不能被批次大小整除，则设置为 True 以删除最后一个不完整的批次。 如果 False 并且数据集的大小不能被批大小整除，则最后一批将保留。(默认值：False)
timeout (numeric,optional) : 设置数据读取的超时时间 ， 超过这个时间还没读取到数据的话就会报错。(默认值：0)
worker_init_fn (callable,optional) ： 如果不是 None，这将在步长之后和数据加载之前在每个工作子进程上调用，并使用工作 id ([0, num_workers - 1] 中的一个 int) 的顺序逐个导入。(默认值：None)
3.2.3 代码
#加载数据
batch_size = 32
# 从 train_ds 加载训练集
train_dl = torch.utils.data.DataLoader(train_ds,
batch_size=batch_size,
shuffle=True)
# 从 test_ds 加载测试集
test_dl = torch.utils.data.DataLoader(test_ds,
batch_size=batch_size)
# 取一个批次查看数据格式
# 数据的shape为：[batch_size, channel, height, weight]
# 其中batch_size为自己设定，channel，height和weight分别是图片的通道数，高度和宽度。
imgs, labels = next(iter(train_dl))
print(imgs.shape)
# torch.Size([32, 1, 28, 28]) # 所有数据集中的图像都是28*28的灰度图执行后输出：torch.Size([32, 1, 28, 28])
4 数据可视化
squeeze()函数的功能是从矩阵shape中，去掉维度为1的。例如一个矩阵的shape是（5，1），使用该函数后结果为（5，）。
# 数据可视化
import numpy as np
# 指定图片大小，图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure('数据可视化', figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
npimg = np.squeeze(imgs.numpy())
# 将整个figure分成2行10列，绘制第i+1个子图。
plt.subplot(2, 10, i+1)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis('off')
plt.show()执行结果如下所示：
5 构建简单的CNN网络
对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。CNN的网络结果如下图所示：
5.1 网络层次说明
（1）nn.Conv2d为卷积层，用于提取图片的特征，传入参数为输入channel，输出channel，池化核大小
（2）nn.MaxPool2d为池化层，进行下采样，用更高层的抽象表示图像特征，传入参数为池化核大小
（3）nn.ReLU为激活函数，使模型可以拟合非线性数据
（4）nn.Linear为全连接层，可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数和输出特征数（输入特征数由特征提取网络计算得到，如果不会计算可以直接运行网络，报错中会提示输入特征数的大小，下方网络中第一个全连接层的输入特征数为1600）
（5）nn.Sequential可以按构造顺序连接网络，在初始化阶段就设定好网络结构，不需要在前向传播中重新写一遍
5.2 个人解读：
（1）大部分情况下卷积层使输入的矩阵层数变深，深度则由kernel个数决定。
（2）池化层一般不改变输入的矩阵的层数，但使矩阵的宽度和高度变小，整合了较高层抽象特征，maxpool还有类似”非极大值抑制“的功能，只提取下采样kernel中最大的图像特征。
（3）全链接层把输入的矩阵层数整合为单一维度，并使计算后的矩阵大小对应到了数据集的类别数
5.3 代码
# 构建CNN网络
import torch.nn.functional as F
num_classes = 10 # 图片的类别数
class Model(nn.Module):
def __init__(self):
super().__init__()
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为3*3
self.pool1 = nn.MaxPool2d(2) # 设置池化层，池化核大小为2*2
self.drop1 = nn.Dropout(p=0.15)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)
self.drop2 = nn.Dropout(p=0.15)
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
# 前向传播
def forward(self, x):
x = self.drop1(self.pool1(F.relu(self.conv1(x))))
x = self.drop2(self.pool2(F.relu(self.conv2(x))))
x = torch.flatten(x, start_dim=1)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x5.4 加载并打印模型
# 加载并打印模型
from torchinfo import summary
# 将模型转移到GPU中（我们模型运行均在GPU中进行）
model = Model().to(device)
summary(model)执行后报错，如下所示
解决方法：
（1）在Anaconda Prompt中的该虚拟环境中安装torchinfo，如下所示：
（2）重新运行前面所有的cell，此时该cell输出结果如下：
5.5 总结
总的来讲，这是一个很简单的模型，中间层里有2层的卷积池化，最后再加一个全链接FC层。
（1）第一层卷积层的卷积核为1*3*3，卷积核有32个，计算结束后矩阵由原来的1层变为32层，卷积后接着通过ReLU激活函数，再接池化层，池化层核的大小为2*2，计算结束后宽高减半；
（2）第二层卷积层的卷积核为32*3*3，卷积核有64个，计算结束后矩阵由原来的32层变为64层，同样卷积后接着通过ReLU激活函数，再接池化层，池化层核的大小为2*2，计算结束后宽高减半；
（3）最后全链接层，先通过flatten把多维的矩阵拉成一维，然后依次通过FC1，ReLU激活函数，FC2，最后得到一个大小为1*10的结果矩阵；
（4）所有的池化层用的都是最大值池化，即每2*2的区域内只取最大的值保留；
（5）激活函数用的是 ReLU，目的是增加模型的非线性
（6）也可以用torch.nn.Sequential将每层的 Conv-ReLU-Pool-Dropout 过程进行整体打包
6 训练模型
6.1设置超参数
#设置超参数
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)6.2 编写训练函数
（1）optimizer.zero_grad()
函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。
（2）loss.backward()
PyTorch的反向传播(即tensor.backward())是通过autograd包来实现的，autograd包会根据tensor进行过的数学运算来自动计算其对应的梯度。
①torch.tensor是autograd包的基础类，如果你设置tensor的requires_grads为True，就会开始跟踪这个tensor上面的所有运算，如果你做完运算后使用tensor.backward()，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。
②损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用loss.backward()后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。
③如果没有进行tensor.backward()的话，梯度值将会是None，因此loss.backward()要写在optimizer.step()之前。
（3）optimizer.step()
step() 函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。因为梯度下降是基于梯度的，所以在执行optimizer.step()函数前应先执行loss.backward()函数来计算梯度。
注意：optimizer 只负责通过梯度下降进行优化，而不负责产生梯度，梯度是 tensor.backward()方法产生的。
（4）代码
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小，一共60000张图片
num_batches = len(dataloader) # 批次数目，1875（60000/32）
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 计算预测误差
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录acc与loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss
6.3 编写测试函数
测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器
def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测试集的大小，一共10000张图片
num_batches = len(dataloader) # 批次数目，313（10000/32=312.5，向上取整）
test_loss, test_acc = 0, 0
# 当不进行训练时，停止梯度更新，节省计算内存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss
6.4 正式训练
（1）model.train()
model.train()的作用是启用 Batch Normalization 和 Dropout。
如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropout，model.train()是随机取一部分网络连接来训练更新参数。
（2）model.eval()
model.eval()的作用是不启用 Batch Normalization 和 Dropout。
如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加model.eval()。model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。对于Dropout，model.eval()是利用到了所有网络连接，即不进行随机舍弃神经元。
训练完train样本后，生成的模型model要用来测试样本。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。
（3）代码
epochs = 50
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')
以下为部分训练结果：
由此可看出在训练的过程中：
①在训练集中的准确率Train_acc在逐渐上升，训练loss在逐渐下降；
②在测试集中的准确率Test_acc也在逐渐上升，说明还未达到过拟合状态，测试loss在逐渐下降；
7 预测&结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率
epochs_range = range(epochs)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
预测和可视化结果如下：
