PyTorch深度學習框架入門——使用PyTorch實現手寫數字識別
本文你將會了解到
1、如何使用PyTorch對資料集進行匯入
2、如何使用PyTorch搭建一個簡易的深度學習模型
3、如何優化和訓練我們搭建好的模型
注：本案例使用的PyTorch為0.4版本
簡介
Pytorch是目前非常流行的深度學習框架，因為它具備了Python的特性所以極易上手和使用，同時又兼具了NumPy的特性，因此在效能上也並不遜於任何一款深度學習框架。現在PyTorch又和Caffe2進行了融合，在今年暑期整和了Caffe2的PyTorch1.0版本將受到更多專業人士的關注和重視。下面我們通過使用PyTorch實現一個手寫數字識別的模型來簡單的入門一下PyTorch。
如何使用PyTorch對資料集進行匯入
在進行資料匯入之前我們需要先匯入一些在之後需要用的包，程式碼如下：
import torchimport torchvisionfrom torch.autograd importVariablefrom torchvision import transforms,datasetsimport numpy as npimport matplotlib.pyplot as plt%matplotlib inline
手寫數字的資料集我們可以使用PyTorch中自帶的torchvision.datasets方法進行下載。另外這個方法還可以方便的下載COCO，ImageNet，CIFCAR等常用的資料集。程式碼如下：
transform = transforms.ToTensor() train_dataset = datasets.MNIST(root ="./data",train =True,transform = transform,download =True)test_dataset = datasets.MNIST(root ="./data",train=False,transform = transform,download =True)train_data_loader = torch.utils.data.DataLoader(dataset = train_dataset,batch_size=64,shuffle =True)test_data_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=64,shuffle =True)
通過這幾段程式碼我們就實現了資料的載入和裝載。其中batch_size指定我們每次裝載的資料個數，這裡使用的值是64即我們每次裝載到模型中的圖片個數是64張。shuffle設定為True表明我們裝載到模型中的輸入資料是被隨機打亂順序的。
如何使用PyTorch搭建一個簡易的深度學習模型
定義好了資料載入和裝載的方法之後，我們就可以開始搭建深度學習模型，這裡使用卷積層、最大池化層和全連線層來搭建一個簡易的卷積神經網路模型，程式碼如下：
classModel(torch.nn.Module):def __init__(self):super(Model,self).__init__()self.Conv=torch.nn.Sequential(torch.nn.Conv2d(1,28,kernel_size=3,padding=1,stride=1),torch.nn.Conv2d(28,64,kernel_size=3,padding=1,stride=1), torch.nn.MaxPool2d(kernel_size=2, stride=2), torch.nn.Conv2d(64,64,kernel_size=3,padding=1,stride=1), torch.nn.Conv2d(64,64,kernel_size=3,padding=1,stride=1), torch.nn.MaxPool2d(kernel_size=2, stride=2))self.Dense= torch.nn.Linear(7*7*64,10)def forward(self, input):x =self.Conv(input)x = x.view(-1,7*7*64)x =self.Dense(x)return x ```
模型使用的是4層卷積、2層池化和1層全連線的卷積神經網路結構。雖然結構簡單，但是對於處理手寫數字識別問題這個模型已經綽綽有餘了。搭建好模型之後我們可以對模型進行列印輸出，檢視具體的模型細節，如下：
model =Model()model = model.cuda()print(model)
輸出的結果為：
Model((Conv):Sequential((0):Conv2d(1,28, kernel_size=(3,3), stride=(1,1), padding=(1,1))(1):Conv2d(28,64, kernel_size=(3,3), stride=(1,1), padding=(1,1))(2):MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(3):Conv2d(64,64, kernel_size=(3,3), stride=(1,1), padding=(1,1))(4):Conv2d(64,64, kernel_size=(3,3), stride=(1,1), padding=(1,1))(5):MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(Dense):Linear(in_features=3136, out_features=10, bias=True))
如何優化和訓練我們搭建好的模型
模型已經搭建好了，資料的裝載方式也已經完成了定義，下面就差最後一步了，對我們的模型進行訓練並優化模型內部的引數。程式碼如下：