文章來自微信公眾號【機器學習煉丹術】。有什麼問題都可以諮詢作者WX：cyx645016617。想交個朋友佔一個好友位也是可以的~好友位快滿了不過。
參考目錄：
在這個文章中，主要是來做一下MNIST手寫數字集的分類任務。這是一個基礎的、經典的分類任務。建議大家一定要跟著程式碼做一做，原始碼已經上傳到公眾號。
1 探索性資料分析
一般在進行模型訓練之前，都要做一個資料集分析的任務。這個在英文中一般縮寫為EDA,也就是Exploring Data Analysis(好像是這個)。
資料集獲取方面，這裡本來是要使用之前課程提到的torchvision.datasets.MNIST()，但是考慮到這個torchvision提供的MNIST完整下載下來需要200M的大小，所以我就直接提供了MNIST的資料的CSV檔案（包含train.csv和test.csv）,大小壓縮成.zip之後只有14M，程式碼就基於了這個資料檔案。
1.1 資料集基本資訊
import pandas as pd
# 讀取訓練集
train_df = pd.read_csv('./MNIST_csv/train.csv')
n_train = len(train_df)
n_pixels = len(train_df.columns) - 1
n_class = len(set(train_df['label']))
print('Number of training samples: {0}'.format(n_train))
print('Number of training pixels: {0}'.format(n_pixels))
print('Number of classes: {0}'.format(n_class))
# 讀取測試集
test_df = pd.read_csv('./MNIST_csv/test.csv')
n_test = len(test_df)
n_pixels = len(test_df.columns)
print('Number of test samples: {0}'.format(n_test))
print('Number of test pixels: {0}'.format(n_pixels))
輸出結果：
訓練集有42000個圖片，每個圖片有784個畫素（所以變成圖片的話需要將784的畫素變成\(28\times 28\)）,樣本總共有10個類別，也就是0到9。測試集中有28000個樣本。
1.2 資料集視覺化
# 展示一些圖片
import numpy as np
from torchvision.utils import make_grid
import torch
import matplotlib.pyplot as plt
random_sel = np.random.randint(len(train_df), size=8)
data = (train_df.iloc[random_sel,1:].values.reshape(-1,1,28,28)/255.)
grid = make_grid(torch.Tensor(data), nrow=8)
plt.rcParams['figure.figsize'] = (16, 2)
plt.imshow(grid.numpy().transpose((1,2,0)))
plt.axis('off')
plt.show()
print(*list(train_df.iloc[random_sel, 0].values), sep = ', ')
輸出結果有一個圖片：
以及一行列印：
隨機挑選了8個樣本進行視覺化，然後列印出來的是樣本對應的標籤值。
1.3 類別是否均衡
然後我們需要檢查一下訓練樣本中類別是否均衡，利用直方圖來檢查：
# 檢查類別是否不均衡
plt.figure(figsize=(8,5))
plt.bar(train_df['label'].value_counts().index, train_df['label'].value_counts())
plt.xticks(np.arange(n_class))
plt.xlabel('Class', fontsize=16)
plt.ylabel('Count', fontsize=16)
plt.grid('on', axis='y')
plt.show()
輸出影像：
基本沒毛病，是均衡的。
2 訓練與推理
2.1 構建dataset
我們可以重新寫一個python指令碼，首先還是匯入庫和讀取檔案：
import pandas as pd
train_df = pd.read_csv('./MNIST_csv/train.csv')
test_df = pd.read_csv('./MNIST_csv/test.csv')
n_train = len(train_df)
n_test = len(test_df)
n_pixels = len(train_df.columns) - 1
n_class = len(set(train_df['label']))
然後構建一個Dataset,Dataset和Dataloader的知識前面的課程已經講過了，這裡直接構建一個：
import torch
from torch.utils.data import Dataset,DataLoader
from torchvision import transforms
class MNIST_data(Dataset):
def __init__(self, file_path,
transform=transforms.Compose([transforms.ToPILImage(), transforms.ToTensor(),
transforms.Normalize(mean=(0.5,), std=(0.5,))])
):
df = pd.read_csv(file_path)
if len(df.columns) == n_pixels:
# test data
self.X = df.values.reshape((-1, 28, 28)).astype(np.uint8)[:, :, :, None]
self.y = None
else:
# training data
self.X = df.iloc[:, 1:].values.reshape((-1, 28, 28)).astype(np.uint8)[:, :, :, None]
self.y = torch.from_numpy(df.iloc[:, 0].values)
self.transform = transform
def __len__(self):
return len(self.X)
def __getitem__(self, idx):
if self.y is not None:
return self.transform(self.X[idx]), self.y[idx]
else:
return self.transform(self.X[idx])
可以看到，這個dataset中，根據是否有標籤分成返回兩個不同的值。（訓練集的話，同時返回資料和標籤，測試集中僅僅返回資料）。
batch_size = 64
train_dataset = MNIST_data('./MNIST_csv/train.csv',
transform= transforms.Compose([
transforms.ToPILImage(),
transforms.RandomRotation(degrees=20),
transforms.ToTensor(),
transforms.Normalize(mean=(0.5,), std=(0.5,))]))
test_dataset = MNIST_data('./MNIST_csv/test.csv')
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
batch_size=batch_size, shuffle=False)
關於這段程式碼：
- 構建了一個train的dataset和test的dataset，然後再分別構建對應的dataloader
- train_dataset中使用了隨機旋轉，因為這個函式是作用在PIL圖片上的，所以需要將資料先轉成PIL再進行旋轉，然後轉成Tensor做標準化，這裡標準化就隨便選取了0.5，有需要的可以做進一步的更改。
- 需要注意的是，轉成PIL之前的資料是numpy的格式，所以資料應該是\(W\times H \times C\)的形式，因為這裡是單通道影像，所以資料的shape為：（72000，28，28，1）.（72000為樣本數量）
- 像是旋轉、縮放等影像增強方法在訓練集中才會使用，這是增強模型訓練難度的操作，讓模型增加魯棒性；在測試集中常規情況是不使用旋轉、縮放這樣的影像增強方法的。（訓練階段是讓模型學到內容，測試階段主要目的是提高預測的準確度，這句話感覺是廢話。。。）
2.2 構建模型類
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.features1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
self.features = nn.Sequential(
nn.BatchNorm2d(32),
nn.ReLU(inplace=True),
nn.Conv2d(32, 32, kernel_size=3, stride=1, padding=1),
nn.BatchNorm2d(32),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=2, stride=2),
nn.Conv2d(32, 64, kernel_size=3, padding=1),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.Conv2d(64, 64, kernel_size=3, padding=1),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=2, stride=2)
)
self.classifier = nn.Sequential(
nn.Dropout(p=0.5),
nn.Linear(64 * 7 * 7, 512),
nn.BatchNorm1d(512),
nn.ReLU(inplace=True),
nn.Dropout(p=0.5),
nn.Linear(512, 512),
nn.BatchNorm1d(512),
nn.ReLU(inplace=True),
nn.Dropout(p=0.5),
nn.Linear(512, 10),
)
for m in self.modules():
if isinstance(m, nn.Conv2d) or isinstance(m, nn.Linear):
nn.init.xavier_uniform_(m.weight)
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
def forward(self, x):
x = self.features1(x)
x = self.features(x)
x = x.view(x.size(0), -1)
x = self.classifier(x)
return x
這個模型類整體來看中規中矩，都是之前講到的方法。小測試：還記得xavier初始化時怎麼回事嗎？xavier初始化方法是一個非常常用的方法，在之前的文章中也詳細的推導了這個。
之後呢，我們對模型例項化，然後給模型的引數傳到優化器中，然後設定一個學習率衰減的策略，學習率衰減就是訓練的epoch越多，學習率就越低的這樣一個方法，在後面的文章中會詳細講述 。
import torch.optim as optim
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = Net().to(device)
# model = torchvision.models.resnet50(pretrained=True).to(device)
optimizer = optim.Adam(model.parameters(), lr=0.003)
criterion = nn.CrossEntropyLoss().to(device)
exp_lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)
print(model)
執行結果自然是把整個模型列印出來了：
Net(
(features1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(features): Sequential(
(0): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(1): ReLU(inplace=True)
(2): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(3): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(4): ReLU(inplace=True)
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(7): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(8): ReLU(inplace=True)
(9): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(10): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(11): ReLU(inplace=True)
(12): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(classifier): Sequential(
(0): Dropout(p=0.5, inplace=False)
(1): Linear(in_features=3136, out_features=512, bias=True)
(2): BatchNorm1d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(3): ReLU(inplace=True)
(4): Dropout(p=0.5, inplace=False)
(5): Linear(in_features=512, out_features=512, bias=True)
(6): BatchNorm1d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(7): ReLU(inplace=True)
(8): Dropout(p=0.5, inplace=False)
(9): Linear(in_features=512, out_features=10, bias=True)
)
)
2.3 訓練模型
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
# 讀入資料
data = data.to(device)
target = target.to(device)
# 計算模型預測結果和損失
output = model(data)
loss = criterion(output, target)
optimizer.zero_grad() # 計算圖梯度清零
loss.backward() # 損失反向傳播
optimizer.step()# 然後更新引數
if (batch_idx + 1) % 50 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, (batch_idx + 1) * len(data), len(train_loader.dataset),
100. * (batch_idx + 1) / len(train_loader), loss.item()))
exp_lr_scheduler.step()
先定義了一個訓練一個epoch的函式，然後下面是訓練10個epoch的主函式程式碼。
log = [] # 記錄一下loss的變化情況
n_epochs = 2
for epoch in range(n_epochs):
train(epoch)
# 把log化成折線圖
import matplotlib.pyplot as plt
plt.plot(log)
plt.show()
注意注意，這時候會報一個錯誤，我們來看一下,我詳細標註了我個人看報錯時候的一個習慣：
這時候我大概可以猜到，因為我們這個圖片是灰度圖片，是單通道的，可能這個RandomRotate函式要求輸入圖片是3個通道的（這個官方API上也沒有細說），怎麼辦呢？完全可以直接在轉成PIL格式之前，把numpy的那個(72000,28,28,1)複製第四維度，變成（72000，28，28，3）.但是這裡我想用上一節課教的一個方法torchvision.transforms.GrayScale(num_output_channels), 活學活用嘛.
所以把train_dataset那一塊改成：
train_dataset = MNIST_data('./MNIST_csv/train.csv',
transform= transforms.Compose([
transforms.ToPILImage(),
transforms.Grayscale(num_output_channels=3),
transforms.RandomRotation(degrees=20),
transforms.ToTensor(),
transforms.Normalize(mean=(0.5,), std=(0.5,))]))
test_dataset = MNIST_data('./MNIST_csv/test.csv',
transform=transforms.Compose([
transforms.ToPILImage(),
transforms.Grayscale(num_output_channels=3),
transforms.ToTensor(),
transforms.Normalize(mean=(0.5,), std=(0.5,))]))
然後不要忘記把模型類中的第一個卷積層的輸入通道改成3哦~
# self.features1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
self.features1 = nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
然後重新執行程式碼，發現可以正常訓練了，列印輸出的部分截圖如下：
然後看一下損失下降的情況,算是收斂了，訓練的epoch更多應該會更好：
發現訓練是收斂的。這裡需要注意的是，現在用全部的資料進行訓練，沒有使用驗證集的做法，是有可能過擬合情況出現的（但是這裡只是訓練了10個epoch應該不會過擬合），更穩妥的做法是把資料分成訓練集和驗證機（可以是2:1,3:1,4:1）都可以，4:1比較常用，這也就是n-fold的方法。 在之後的學習中會詳細介紹這個，不過這個知識點也不難，也可以自行查閱。
2.4 推理預測
def prediciton(data_loader):
model.eval()
test_pred = torch.LongTensor()
for i, data in enumerate(data_loader):
data = data.to(device)
output = model(data)
pred = output.cpu().data.max(1, keepdim=True)[1]
test_pred = torch.cat((test_pred, pred), dim=0)
return test_pred
test_pred = prediciton(test_loader)
類似trian，寫一個預測的函式，返回預測的值。然後像是在EDA中那樣，抽取測試集的8個數字，看看影像和預測結果的匹配情況
from torchvision.utils import make_grid
random_sel = np.random.randint(len(test_df), size=8)
data = (test_df.iloc[random_sel,:].values.reshape(-1,1,28,28)/255.)
grid = make_grid(torch.Tensor(data), nrow=8)
plt.rcParams['figure.figsize'] = (16, 2)
plt.imshow(grid.numpy().transpose((1,2,0)))
plt.axis('off')
plt.show()
print(*list(test_pred[random_sel].numpy()), sep = ', ')
輸出影像是：
列印輸出：
OK了，恭喜你，完成了MNIST手寫數字集的分類。