一、前言
前面我们了解了关于机器学习使用到的数学基础和内部原理，这一次就来动手使用 pytorch 来实现一个简单的神经网络工程，用来识别手写数字的项目。自己动手后会发现，框架里已经帮你实现了大部分的数学底层逻辑，例如数据集的预处理，梯度下降等等，所以只要你有足够棒的idea，你大部分都能相对轻松去实现你的想法。
二、实践准备
数据处理往往是放在所有工作的首位，比如这里使用到的 MNIST 数据集，MNIST 是由Yann LeCun等人提供的免费的图像识别的数据集，其中包含60000个训练样本和10000个测试样本，其中图的尺寸已经进行标准化的处理，都是黑白图像，大小为28*28。
- DataLoader 类
在 pytorch 框架中自带数据集由两个上层的API提供，分别是 torchvision 和 torchtext，也就是视觉和文本。其中，torchvision 提供了对照片数据处理相关的API和数据，数据所在位置：torchvision.datasets，比如torchvision.datasets.MNIST（手写数字照片数据）；torchtext 提供了对文本数据处理相关的API和数据，数据所在位置：torchtext.datasets，比如torchtext.datasets.IMDB（电影评论文本数据）。
我们直接对 torchvision.datasets.MNIST 进行实例化，就可得到Dataset的实例：
train_loader = torch.utils.data.DataLoader( torchvision.datasets.MNIST('./data', train=True, download=True, transform=torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize( (0.1307,), (0.3081,) ) ])), batch_size=batch_size, shuffle=True )
在框架中提供的 DataLoader 方法中，只要实现了三个函数方法，分别是: init, len, and getitem，就可以定义数据如何加载到 torch 中。我们看看内置的 MNIST 中是怎么做的：
这里将 MNIST 数据源从远端下载，并且指定转化函数 transform，这里的 tranform 一般指的是对图片 resize 重新指定大小，然后变成框架中可以识别的张量等等。并且指定输入和输出的数据，在这里就是输入的是图片 data，输出的是这个图片的分类特质 target，比如 0-9 的分类标识。
本质上 dataloader 是一个迭代器，可以在每次循环中返回处理过的批数据，而 getitem 方法保证了在原始图片能被处理过后进行返回，比如上面的将图片进行转换成矩阵数组，然后通过 transform 进行转变预处理，再返回输入和输出，这里指的是 img 和 target。
len 函数相对就比较简单了，返回 data 的数组长度。
- transforms类
在 dataset 数据集中还提供了 transforms 功能， 我们可以使用 transform=torchvision.transforms.Compose 方法来定义使用何种 transforms 方法，这里框架会自动排序，而不用刻意担心执行的顺序。比如这里使用的是：
torchvision.transforms.ToTensor // 可以把图像转变成 tensor 类型
torchvision.transforms.Normalize // 归一化处理
对于 toTensor 方法，我们可以看看当一个 batch 的图片从 DataLoader 类处理过后，吐出来是怎样的数据结构：
# 展示一个 batch 的图片 x, y = next(iter(train_loader)) print(x.shape, y.shape, x.min(), x.max()) # torch.Size([512, 1, 28, 28]) torch.Size([512]) tensor(-0.4242) tensor(2.8215) # 512张图，1通道，28*28像素，label大小512 plot_image(x, y, 'image sample')
刚开始看到 torch.Size 的值 [512, 1, 28, 28] 的时候，我会觉得这也太抽象了~~ 为了尝试理解图片处理过后的张量形式，我画了一张图：
上图可以很好的理解为什么 toTensor 后，数据是呈现四维 [512, 1, 28, 28] 。
- Normalize归一化
关于归一化处理的可以参考吴老师的这个视频，了解过后你就会立即明白为什么预处理需要加上归一化了：传送门
除此之外，在上面指定的归一化处理参数：
torchvision.transforms.Normalize( (0.1307,), (0.3081,) )
这里此处的 0.1307 和 0.3081 分别是数据集的均值和方差。在计算得到数据集的均值和方差后，我们可以使用标准化公式将数据标准化为标准正态分布N(0, 1)。标准化的公式如下：
Z = (X - μ) / σ
其中，Z是标准化后的数据，X是原始数据，μ是原始数据的均值，σ是原始数据的标准差。
这个公式的作用是将原始数据集的均值变为0，标准差变为1。在这个过程中，每个原始数据值都会减去均值，然后再除以标准差。这样做的结果是，新的数据集（即标准化后的数据）的均值为0，标准差为1，也就是说，数据符合标准正态分布N(0, 1)。
在处理MNIST数据集时，我们已经得到了均值mean=0.1307和标准差std=0.3081，所以我们可以使用上述公式对数据集进行标准化。在上面代码中，我们使用torchvision.transforms模块中的Normalize函数来实现这个功能。
- 更多的 torchvision.transforms
除此之外，transforms 还可以做很多图像上的变换，这里总结一共有四大类，方便以后索引：
1. 裁剪（Crop）
中心裁剪：transforms.CenterCrop
随机裁剪：transforms.RandomCrop
随机长宽比裁剪：transforms.RandomResizedCrop
上下左右中心裁剪：transforms.FiveCrop
上下左右中心裁剪后翻转，transforms.TenCrop
2. 翻转和旋转（Flip and Rotation）
依概率p水平翻转：transforms.RandomHorizontalFlip(p=0.5)
依概率p垂直翻转：transforms.RandomVerticalFlip(p=0.5)
随机旋转：transforms.RandomRotation
3. 图像变换（resize）transforms.Resize
标准化：transforms.Normalize
转为tensor，并归一化至[0-1]：transforms.ToTensor
填充：transforms.Pad
修改亮度、对比度和饱和度：transforms.ColorJitter
转灰度图：transforms.Grayscale
线性变换：transforms.LinearTransformation()
仿射变换：transforms.RandomAffine
依概率p转为灰度图：transforms.RandomGrayscale
将数据转换为PILImage：transforms.ToPILImage
将lambda应用作为变换：transforms.Lambda
4. 对transforms操作，使数据增强更灵活
从给定的一系列transforms中选一个进行操作：transforms.RandomChoice(transforms)，
给一个transform加上概率，依概率进行操作 ：transforms.RandomApply(transforms, p=0.5)
将transforms中的操作随机打乱：transforms.RandomOrder
三、搭建网络和计算
因为刚开始我们只是为了熟悉一下怎么使用 pytorch 来搭建一个简单的神经网络，所以这里我选择使用最简单的全连接，使用三层的网络来进行手写数字的识别。
# step 2 : 网络 class Net(nn.Module): def __init__(self): super(Net, self).__init__() # xw+b # 28*28 输入， 256 第一层的输出 self.func1 = nn.Linear(28 * 28, 256) # 64 第二层输出 self.func2 = nn.Linear(256, 64) # 10 分类输出 0~9 self.func3 = nn.Linear(64, 10) def forward(self, x): x = F.relu(self.func1(x)) x = F.relu(self.func2(x)) x = self.func3(x) return x net = Net() # [w1, b1, w2, b2, w3, b3] 三个方程中需要优化的对象参数, lr - learning rate optimazer = optim.SGD(net.parameters(), lr=0.005, momentum=0.9) train_loss = []
nn.Linear 可以帮助我们创建一个线性回归方程，并且可以指定它输入和输出的变量个数。并且每一层全连接的线性函数都接着一个 relu 层，因为我们今天做的是分类的任务，所以使用 relu 会更好的提取到非线性的特征，最后能快速收敛到 0-9 这十个数字分类上去。
梯度下降的优化器则是使用的 SGD 算法，只需要声明学习率和动量值就可以了，接下来我们只需要硬train一发，计算过程如下：
# step 3 : 计算 for epoch in range(3): for batch_idx, (x, y) in enumerate(train_loader): # x: [b, 1, 28, 28], y: [512] # [b, 1, 28, 28] => [b, 784] x = x.view(-1, 28 * 28) # => [b, 0] out = net(x) # y_onehot 图片label的向量 y_onehot = one_hot(y) # loss函数方差 # loss = mse(out, y_onehot) loss = F.mse_loss(out, y_onehot) # 清零梯度 optimazer.zero_grad() # 计算梯度 loss.backward() # 更新梯度 optimazer.step() train_loss.append(loss.item()) if batch_idx % 10 == 0: print(epoch, batch_idx, loss.item())
在这个过程我们也可以关注 train_loss 的值，也就是每个 batch 训练后 loss 方程的 minima 的值，我们使用图像进行展示：
可以看到输出中最后的 loss 损失已经降低到 0.041778046637773514 了，那么接下来我们使用测试数据，对我们的这个模型预测进行评测，看看在测试数据上，我们的准确值能达到多少？
四、测试
和训练的时候一样，咱们可以先把测试的数据先加载进来：
test_loader = torch.utils.data.DataLoader( torchvision.datasets.MNIST('./data', train=True, download=True, transform=torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize( (0.1307,), (0.3081,) ) ])), batch_size=batch_size, shuffle=False )
接着循环测试数据，并且使用我们之前声明的网络 net 来进行预测，获取到其中预测可能性最大的当做输出的 label
# step 4 : 准确度测试 total_correct = 0 for x, y in test_loader: x = x.view(x.size(0), 28 * 28) out = net(x) # argmax返回这个维度中间值最大的那个索引，dim=1 表示从索引等于1中返回此列的最大值 # out：[b, 10] => pred: [b] pred = out.argmax(dim=1) # 计算统计 pred 预测值和真实 label 相等的总数 correct = pred.eq(y).sum().float().item() total_correct += correct total_num = len(test_loader.dataset) acc = total_correct / total_num print('test acc: ', acc)
测试结果的准确性是：
test acc: 0.8378666666666666让人振奋的是，我们仅仅使用了三层的线性卷积就能达到 83% 的准确性！！不过我们还需要看看，究竟是哪些图片是这个网络结构所不能识别的，所以可以用图片的方式看看和预测值有啥不一样~
# 随机取一个 batch 数据，来进行预测 x, y = next(iter(test_loader)) out = net(x.view(x.size(0), 28 * 28)) pred = out.argmax(dim=1) predict_plot_image(x, pred, 'test predict')
可以观察到从20个图片预测中，这里就有两个是预测错误的，对于非常规的写法，比较潦草的手写，此网络结构下的分类还是会出现错误的。我们可以考虑使用更高级的网络结构来处理识别，比如 CNN 、GNN 等等。
五、 代码
完整代码如下：
import torch from torch import nn from torch.nn import functional as F from torch import optim import torchvision from matplotlib import pyplot as plt from utils import plot_curve, plot_image, one_hot, predict_plot_image # step 1 : load dataset batch_size = 512 # https://blog.csdn.net/weixin_44211968/article/details/123739994 # DataLoader 和 dataset 数据集的应用 train_loader = torch.utils.data.DataLoader( torchvision.datasets.MNIST('./data', train=True, download=True, transform=torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize( (0.1307,), (0.3081,) ) ])), batch_size=batch_size, shuffle=True ) test_loader = torch.utils.data.DataLoader( torchvision.datasets.MNIST('./data', train=True, download=True, transform=torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize( (0.1307,), (0.3081,) ) ])), batch_size=batch_size, shuffle=False ) # 展示一个 batch 的图片 x, y = next(iter(train_loader)) print(x.shape, y.shape, x.min(), x.max()) # torch.Size([512, 1, 28, 28]) torch.Size([512]) tensor(-0.4242) tensor(2.8215) # 512张图，1通道，28*28像素，label大小512 plot_image(x, y, 'image sample') # step 2 : 网络 class Net(nn.Module): def __init__(self): super(Net, self).__init__() # xw+b # 28*28 输入， 256 第一层的输出 self.func1 = nn.Linear(28 * 28, 256) # 64 第二层输出 self.func2 = nn.Linear(256, 64) # 10 分类输出 0~9 self.func3 = nn.Linear(64, 10) def forward(self, x): x = F.relu(self.func1(x)) x = F.relu(self.func2(x)) x = self.func3(x) return x net = Net() # [w1, b1, w2, b2, w3, b3] 三个方程中需要优化的对象参数, lr - learning rate optimazer = optim.SGD(net.parameters(), lr=0.005, momentum=0.9) train_loss = [] # step 3 : 计算 for epoch in range(3): for batch_idx, (x, y) in enumerate(train_loader): # x: [b, 1, 28, 28], y: [512] # [b, 1, 28, 28] => [b, 784] x = x.view(-1, 28 * 28) # => [b, 0] out = net(x) # y_onehot 图片label的向量 y_onehot = one_hot(y) # loss函数方差 # loss = mse(out, y_onehot) loss = F.mse_loss(out, y_onehot) # 清零梯度 optimazer.zero_grad() # 计算梯度 loss.backward() # 更新梯度 optimazer.step() train_loss.append(loss.item()) if batch_idx % 10 == 0: print(epoch, batch_idx, loss.item()) plot_curve(train_loss) # step 4 : 准确度测试 total_correct = 0 for x, y in test_loader: x = x.view(x.size(0), 28 * 28) out = net(x) # argmax返回这个维度中间值最大的那个索引，dim=1 表示从索引等于1中返回此列的最大值 # out：[b, 10] => pred: [b] pred = out.argmax(dim=1) # 计算统计 pred 预测值和真实 label 相等的总数 correct = pred.eq(y).sum().float().item() total_correct += correct total_num = len(test_loader.dataset) acc = total_correct / total_num print('test acc: ', acc) # 随机取一个 batch 数据，来进行预测 x, y = next(iter(test_loader)) out = net(x.view(x.size(0), 28 * 28)) pred = out.argmax(dim=1) predict_plot_image(x, pred, 'test predict')
工具类方法 utils.py
import torch from matplotlib import pyplot as plt def plot_curve(data): fig = plt.figure() plt.plot(range(len(data)), data, color='blue') plt.legend(['value'], loc='upper right') plt.xlabel('step') plt.ylabel('value') plt.show() # 识别图片 def plot_image(img, lable, name): fig = plt.figure() for i in range(6): plt.subplot(2, 3, i + 1) plt.tight_layout() plt.imshow(img[i][0] * 0.3081 + 0.1307, cmap='gray', interpolation='none') plt.title("{}: {}".format(name, lable[i].item())) plt.xticks([]) plt.yticks([]) plt.show() def predict_plot_image(img, lable, name): fig = plt.figure() for i in range(20): plt.subplot(4, 5, i + 1) plt.tight_layout() plt.imshow(img[i][0] * 0.3081 + 0.1307, cmap='gray', interpolation='none') plt.title("{}: {}".format(name, lable[i].item())) plt.xticks([]) plt.yticks([]) plt.show() def one_hot(label, depth=10): out = torch.zeros(label.size(0), depth) idx = torch.LongTensor(label).view(-1, 1) out.scatter_(dim=1, index=idx, value=1) return out
__EOF__
