Pytorch写CNN

用Pytorch写了两个CNN网络，数据集用的是FashionMNIST。其中CNN_1只有一个卷积层、一个全连接层，CNN_2有两个卷积层、一个全连接层，但训练完之后的准确率两者差不多，且CNN_1训练时间短得多，且跟两层的全连接的准确性也差不多，看来深度学习水很深，还需要进一步调参和调整网络结构。

CNN_1：

runnig time:29.795 sec.
accuracy: 0.8688

CNN_2：

runnig time:165.101 sec.
accuracy: 0.8837

  1 import time
  2 import torch.nn as nn
  3 from torchvision.datasets import FashionMNIST
  4 import torch
  5 import numpy as np
  6 from torch.utils.data import DataLoader
  7 import torch.utils.data as Data
  8 import matplotlib.pyplot as plt
  9 
 10 
 11 #import os
 12 #os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
 13 '''数据集为FashionMNIST'''
 14 data=FashionMNIST('../pycharm_workspace/data/')
 15 
 16 def train_test_split(data,test_pct=0.3):
 17     test_len=int(data.data.size(0)*test_pct)
 18     x_test=data.data[0:test_len].type(torch.float)
 19     x_train=data.data[test_len:].type(torch.float)
 20     
 21     y_test=data.targets[0:test_len]
 22     y_train=data.targets[test_len:]
 23   
 24     return x_train,y_train,x_test,y_test
 25     
 26 def cal_accuracy(model,x_test,y_test,samples=10000):
 27     '''取一定数量的样本，用于评估'''
 28     y_pred=model(x_test[:samples])
 29     '''把模型输出(向量)转为label形式'''
 30     y_pred_=list(map(lambda x:np.argmax(x),y_pred.data.numpy()))
 31     '''计算准确率'''
 32     acc=sum(y_pred_==y_test.numpy()[:samples])/samples
 33     return acc
 34 
 35 class CNN_1(nn.Module):
 36     def __init__(self):
 37         super().__init__()
 38         self.conv1=nn.Sequential(
 39                 nn.Conv2d(1,#in_channels,即图片的通道数量,黑白为1,RGB彩色为3,filter的层数默认与此数字一致
 40                           32,#out_channels,即filter的数量
 41                           4,#kernel_size,4代表(4,4)即正方形的filter，若为长方形，则(height,width)
 42                           stride=2,#filter移动的步长,2代表(2,2)表示右移和下移都是一个像素，否则用(n,m)表示步长
 43                           padding=2#图片外围每一条边补充0的层数,output_size=1+(input_size+2*padding-filter_size)/stride
 44                           ),
 45                 nn.ReLU(),
 46                 nn.MaxPool2d(kernel_size=2)
 47                 )
 48         self.out=nn.Linear(32*7*7,10)
 49         
 50     def forward(self,x):
 51         x=self.conv1(x)
 52         temp=x.view(x.shape[0],-1)
 53         out=self.out(temp)
 54         return out
 55 
 56 class CNN_2(nn.Module):
 57     def __init__(self):
 58         super().__init__()
 59         self.conv1=nn.Sequential(
 60                 nn.Conv2d(1,#in_channels,即图片的通道数量,黑白为1,RGB彩色为3,filter的层数默认与此数字一致
 61                           32,#out_channels,即filter的数量
 62                           5,#kernel_size,3代表(3,3)即正方形的filter，若为长方形，则(height,width)
 63                           stride=1,#filter移动的步长,1代表(1,1)表示右移和下移都是一个像素，否则用(n,m)表示步长
 64                           padding=2#图片外围每一条边补充0的层数,此处设置为2是为了保持输出的长宽与图片的长宽一致，因为output_size=1+(input_size+2*padding-filter_size)/stride
 65                           ),
 66                 nn.ReLU(),
 67                 nn.MaxPool2d(kernel_size=2)
 68                 )
 69         self.conv2=nn.Sequential(
 70                 nn.Conv2d(32,#in_channels,即图片的通道数量,黑白为1,RGB彩色为3,filter的层数默认与此数字一致
 71                           16,#out_channels,即filter的数量
 72                           5,#kernel_size,5代表(5,5)即正方形的filter，若为长方形，则(height,width)
 73                           stride=1,#filter移动的步长,1代表(1,1)表示右移和下移都是一个像素，否则用(n,m)表示步长
 74                           padding=2#图片外围每一条边补充0的层数,此处设置为2是为了保持输出的长宽与图片的长宽一致，因为output_size=1+(input_size+2*padding-filter_size)/stride
 75                           ),
 76                 nn.ReLU(),
 77                 nn.MaxPool2d(kernel_size=2)
 78                 )
 79         self.out=nn.Linear(16*7*7,10)
 80         
 81     def forward(self,x):
 82         x=self.conv1(x)
 83         x=self.conv2(x)
 84         x=x.view(x.size(0),-1)
 85         out=self.out(x)
 86         return out
 87     
 88 def train_3():
 89     num_epoch=5
 90     #t_data=data.data.type(torch.float)
 91     x_train,y_train,x_test,y_test=train_test_split(data,0.2)
 92     '''使用DataLoader批量输入训练数据'''
 93     dl_train=DataLoader(Data.TensorDataset(x_train,y_train),batch_size=100,shuffle=True)
 94     '''创建模型对象'''
 95     model=CNN_2()
 96     '''定义损失函数'''
 97     loss_func=torch.nn.CrossEntropyLoss()
 98     '''定义优化器'''
 99     optimizer=torch.optim.Adam(model.parameters(),lr=0.001)
100     start=time.time()
101 
102     acc_hist=[] 
103     loss_hist=[]
104     for i in range(num_epoch):
105         for index,(x_data,y_data) in enumerate(dl_train):
106             prediction=model(torch.unsqueeze(x_data, dim=1))
107             loss=loss_func(prediction,y_data)
108             print('No.%s,loss=%.3f'%(index+1,loss.data.numpy()))
109             optimizer.zero_grad()
110             loss.backward()
111             optimizer.step()
112             loss_val=loss.data.numpy()
113             if i==0:
114                 acc=cal_acc(prediction,y_data)
115                 acc_hist.append(acc)
116                 loss_hist.append(loss_val)
117         print('No.%s,loss=%.3f'%(i+1,loss_val))
118         #loss_hist.append(loss_val)
119         #acc=cal_accuracy(model,x_test,y_test,samples=10000)
120         #acc_hist.append(acc)
121         print('acc=',acc)
122         
123     end=time.time()
124     print('runnig time:%.3f sec.'%(end-start))
125     acc=cal_accuracy(model,torch.unsqueeze(x_test,dim=1),y_test,samples=10000)
126     print('accuracy:',acc)
127     
128 if __name__=='__main__':
129     train_3()