用Pytorch训练CNN(数据集MNIST,使用GPU的方法)
听说pytorch使用比TensorFlow简单，加之pytorch现已支持windows，所以今天装了pytorch玩玩，第一件事还是写了个简单的CNN在MNIST上实验，初步体验的确比TensorFlow方便。
参考代码（在莫烦python的教程代码基础上修改）如下：
importtorch
importtorch.nnasnn
fromtorch.autogradimportVariable
importtorch.utils.dataasData
importtorchvision
importtime
#importmatplotlib.pyplotasplt
torch.manual_seed(1)
EPOCH=1
BATCH_SIZE=50
LR=0.001
DOWNLOAD_MNIST=False
if_use_gpu=1
#获取训练集dataset
training_data=torchvision.datasets.MNIST(
root='./mnist/',#dataset存储路径
train=True,#True表示是train训练集，False表示test测试集
transform=torchvision.transforms.ToTensor(),#将原数据规范化到（0,1）区间
download=DOWNLOAD_MNIST,
)
#打印MNIST数据集的训练集及测试集的尺寸
print(training_data.train_data.size())
print(training_data.train_labels.size())
#torch.Size([60000,28,28])
#torch.Size([60000])
#plt.imshow(training_data.train_data[0].numpy(),cmap='gray')
#plt.title('%i'%training_data.train_labels[0])
#plt.show()
#通过torchvision.datasets获取的dataset格式可直接可置于DataLoader
train_loader=Data.DataLoader(dataset=training_data,batch_size=BATCH_SIZE,
shuffle=True)
#获取测试集dataset
test_data=torchvision.datasets.MNIST(
root='./mnist/',#dataset存储路径
train=False,#True表示是train训练集，False表示test测试集
transform=torchvision.transforms.ToTensor(),#将原数据规范化到（0,1）区间
download=DOWNLOAD_MNIST,
)
#取前全部10000个测试集样本
test_x=Variable(torch.unsqueeze(test_data.test_data,dim=1).float(),requires_grad=False)
#test_x=test_x.cuda()
##(~,28,28)to(~,1,28,28),inrange(0,1)
test_y=test_data.test_labels
#test_y=test_y.cuda()
classCNN(nn.Module):
def__init__(self):
super(CNN,self).__init__()
self.conv1=nn.Sequential(#(1,28,28)
nn.Conv2d(in_channels=1,out_channels=16,kernel_size=5,
stride=1,padding=2),#(16,28,28)
#想要con2d卷积出来的图片尺寸没有变化,padding=(kernel_size-1)/2
nn.ReLU(),
nn.MaxPool2d(kernel_size=2)#(16,14,14)
)
self.conv2=nn.Sequential(#(16,14,14)
nn.Conv2d(16,32,5,1,2),#(32,14,14)
nn.ReLU(),
nn.MaxPool2d(2)#(32,7,7)
)
self.out=nn.Linear(32*7*7,10)
defforward(self,x):
x=self.conv1(x)
x=self.conv2(x)
x=x.view(x.size(0),-1)#将（batch，32,7,7）展平为（batch，32*7*7）
output=self.out(x)
returnoutput
cnn=CNN()
ifif_use_gpu:
cnn=cnn.cuda()
optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)
loss_function=nn.CrossEntropyLoss()
forepochinrange(EPOCH):
start=time.time()
forstep,(x,y)inenumerate(train_loader):
b_x=Variable(x,requires_grad=False)
b_y=Variable(y,requires_grad=False)
ifif_use_gpu:
b_x=b_x.cuda()
b_y=b_y.cuda()
output=cnn(b_x)
loss=loss_function(output,b_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
ifstep%100==0:
print('Epoch:',epoch,'|Step:',step,
'|trainloss:%.4f'%loss.data[0])
duration=time.time()-start
print('Trainingduation:%.4f'%duration)
cnn=cnn.cpu()
test_output=cnn(test_x)
pred_y=torch.max(test_output,1)[1].data.squeeze()
accuracy=sum(pred_y==test_y)/test_y.size(0)
print('TestAcc:%.4f'%accuracy)
以上这篇用Pytorch训练CNN(数据集MNIST,使用GPU的方法)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。