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、一个全链接层，CNN_2有两个卷积层、一个全链接层，但训练完以后的准确率二者差很少，且CNN_1训练时间短得多，且跟两层的全链接的准确性也差很少，看来深度学习水很深，还须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     '''取必定数量的样本，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表明(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表明(2,2)表示右移和下移都是一个像素，不然用(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表明(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表明(1,1)表示右移和下移都是一个像素，不然用(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，由于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表明(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表明(1,1)表示右移和下移都是一个像素，不然用(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，由于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     '''建立模型对象'''
 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()