前言：

本文主要描述了如何使用現在熱度和關注度比較高的Pytorch(深度學習框架)構建一個簡單的卷積神經網絡，并對MNIST數據集進行了訓練和測試。MNIST數據集是一個28*28的手寫數字圖片集合，使用測試集來驗證訓練出的模型對手寫數字的識別準確率。

PyTorch資料：

PyTorch的官方文檔鏈接：PyTorch documentation，在這里不僅有 API的說明還有一些經典的實例可供參考。

PyTorch官網論壇：vision，里面會有很大資料分享和一些熱門問題的解答。

PyTorch搭建神經網絡實踐：

在一開始導入需要導入PyTorch的兩個核心庫文件torch和torchvision，這兩個庫基本包含了PyTorch會用到的許多方法和函數

import

其中值得一提的是torchvision的datasets可以很方便的自動下載數據集，這里使用的是MNIST數據集。另外的COCO，ImageNet，CIFCAR等數據集也可以很方的下載并使用，導入命令也非常簡單

data_train = datasets.MNIST(root = "./data/",transform=transform,train = True,download = True)data_test = datasets.MNIST(root="./data/",transform = transform,train = False)

root指定了數據集存放的路徑，transform指定導入數據集時需要進行何種變換操作，train設置為True說明導入的是訓練集合，否則為測試集合。

transform里面還有很多好的方法，可以用在圖片資源較少的數據集做Data Argumentation操作，這里只是做了個簡單的Tensor格式轉換和Batch Normalize

transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])])

數據下載完成后還需要做數據裝載操作

data_loader_train = torch.utils.data.DataLoader(dataset=data_train,batch_size = 64,shuffle = True)data_loader_test = torch.utils.data.DataLoader(dataset=data_test,batch_size = 64,shuffle = True)

batch_size設置了每批裝載的數據圖片為64個，shuffle設置為True在裝載過程中為隨機亂序

下圖為一個batch數據集（64張圖片）的顯示，可以看出來都為28*28的1維圖片

MNIST數據集圖片預覽

完成數據裝載后就可以構建核心程序了，這里構建的是一個包含了卷積層和全連接層的神經網絡，其中卷積層使用torch.nn.Conv2d來構建，激活層使用torch.nn.ReLU來構建，池化層使用torch.nn.MaxPool2d來構建，全連接層使用torch.nn.Linear來構建

class Model(torch.nn.Module):def __init__(self):super(Model, self).__init__()self.conv1 = torch.nn.Sequential(torch.nn.Conv2d(1,64,kernel_size=3,stride=1,padding=1),torch.nn.ReLU(),torch.nn.Conv2d(64,128,kernel_size=3,stride=1,padding=1),torch.nn.ReLU(),torch.nn.MaxPool2d(stride=2,kernel_size=2))self.dense = torch.nn.Sequential(torch.nn.Linear(14*14*128,1024),torch.nn.ReLU(),torch.nn.Dropout(p=0.5),torch.nn.Linear(1024, 10))def forward(self, x):x = self.conv1(x)x = x.view(-1, 14*14*128)x = self.dense(x)return x

其中定義了torch.nn.Dropout(p=0.5)防止模型的過擬合

forward函數定義了前向傳播，其實就是正常卷積路徑。首先經過self.conv1(x)卷積處理，然后進行x.view(-1, 14*14*128)壓縮扁平化處理，最后通過self.dense(x)全連接進行分類

之后就是對Model對象進行調用，然后定義loss計算使用交叉熵，優化計算使用Adam自動化方式，最后就可以開始訓練了

model = Model() cost = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters())

在訓練前可以查看神經網絡架構了，print輸出顯示如下

Model ((conv1): Sequential ((0): Conv2d(1, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): ReLU ()(2): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(3): ReLU ()(4): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1)))(dense): Sequential ((0): Linear (25088 -> 1024)(1): ReLU ()(2): Dropout (p = 0.5)(3): Linear (1024 -> 10)) )

定義訓練次數為5次，開始跑神經網絡，訓練完成后輸入測試集合得到的結果如下

Epoch 0/5 ---------- Loss is:0.0003, Train Accuracy is:99.4167%, Test Accuracy is:98.6600 Epoch 1/5 ---------- Loss is:0.0002, Train Accuracy is:99.5967%, Test Accuracy is:98.9200 Epoch 2/5 ---------- Loss is:0.0002, Train Accuracy is:99.6667%, Test Accuracy is:98.7700 Epoch 3/5 ---------- Loss is:0.0002, Train Accuracy is:99.7133%, Test Accuracy is:98.9600 Epoch 4/5 ---------- Loss is:0.0001, Train Accuracy is:99.7317%, Test Accuracy is:98.7300

從結果上看還不錯，訓練準確率最高達到了99.73%，測試最高準確率為98.96%。結果有輕微的過擬合跡象，如果使用更加健壯的卷積模型測試集會取得更加好的結果。

隨機對幾張測試集的圖片進行預測，并做可視化展示

Predict Label is: [3, 4, 9, 3] Real Label is: [3, 4, 9, 3]

訓練完成后還可以保存訓練得到的參數，方便下次導入后可供直接使用

torch.save(model.state_dict(), "model_parameter.pkl")

完整代碼鏈接：JaimeTang/Pytorch-and-mnist(model_parameter.pkl文件較大未做上傳)

---

微信公眾號：PyMachine

總結

以上是生活随笔為你收集整理的pytorch dropout_PyTorch初探MNIST数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。