实验3：使用CNN对MINIST数据集分类
输入“/”快速插入内容
实验3：使用CNN对MINIST数据集分类
实验3：使用CNN对MINIST数据集分类
用户6705用户67052025年12月8日修改
Outline
•
今天我们学习如何使用 PyTorch 进行CNN的训练与测试
•
我们还会展示池化与卷积操作的作用
深度卷积神经网络中，有如下特性
•
很多层: compositionality
•
卷积: locality + stationarity of images
•
池化: Invariance of object class to translations
代码块
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import matplotlib.pyplot as plt
import numpy
# 一个函数，用来计算模型中有多少参数def get_n_params(model):
np=0for p in list(model.parameters()):
np += p.nelement()
return np
# 使用GPU训练，可以在菜单 "代码执行工具" -> "更改运行时类型" 里进行设置
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
1. 加载数据 （MNIST）
PyTorch里包含了 MNIST， CIFAR10 等常用数据集，调用 torchvision.datasets 即可把这些数据由远程下载到本地，下面给出MNIST的使用方法：
torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)
•
root 为数据集下载到本地后的根目录，包括 training.pt 和 test.pt 文件
•
train，如果设置为True，从training.pt创建数据集，否则从test.pt创建。
•
download，如果设置为True, 从互联网下载数据并放到root文件夹下
•
transform, 一种函数或变换，输入PIL图片，返回变换之后的数据。
•
target_transform 一种函数或变换，输入目标，进行变换。
另外值得注意的是，DataLoader是一个比较重要的类，提供的常用操作有：batch_size(每个batch的大小), shuffle(是否进行随机打乱顺序的操作), num_workers(加载数据的时候使用几个子进程)
代码块
input_size = 28*28 # MNIST上的图像尺寸是 28x28
output_size = 10 # 类别为 0 到 9 的数字，因此为十类
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('./data', train=True, download=True,
transform=transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))])),
batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('./data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))])),
batch_size=1000, shuffle=True)
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz to ./data/MNIST/raw/train-images-idx3-ubyte.gz
HBox(children=(IntProgress(value=1, bar_style='info', max=1), HTML(value='')))
Extracting ./data/MNIST/raw/train-images-idx3-ubyte.gz to ./data/MNIST/raw