【小白學PyTorch】8 實戰之MNIST小試牛刀

文章來自微信公衆號【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。建議大家一定要跟着代碼做一做，源碼已經上傳到公衆號。

1 探索性數據分析

一般在進行模型訓練之前，都要做一個數據集分析的任務。這個在英文中一般縮寫爲EDA,也就是Exploring Data Analysis(好像是這個)。

數據集獲取方面，這裏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的數據的CSV文件（包含train.csv和test.csv）,大小壓縮成.zip之後只有14M，代碼就基於了這個數據文件。

1.1 數據集基本信息

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個像素（所以變成圖片的話需要將784的像素變成\(28\times 28\)）,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 數據集可視化

# 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：

以及一行打印：

隨機挑選了8個樣本進行可視化，然後打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()

輸出圖像：

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腳本，首先還是導入庫和讀取文件：

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，這裏直接構建一個：

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，同時返回數據和標籤，測試集中僅僅返回數據）。

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)

關於這段代碼：

• 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，因爲這個函數是作用在PIL圖片上的，所以需要將數據先轉成PIL再進行旋轉，然後轉成Tensor做標準化，這裏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之前的數據是numpy的格式，所以數據應該是\(W\times H \times C\)的形式，因爲這裏是單通道圖像，所以數據的shape爲：（72000，28，28，1）.（72000爲樣本數量）
• 像是旋轉、縮放等圖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、縮放這樣的圖像增強方法的。（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，我們對模型實例化，然後給模型的參數傳到優化器中，然後設置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)

運行結果自然是把整個模型打印出來了：

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):
        # 讀入數據
        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()# 然後更新參數
        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的函數，然後下面是訓練10個epoch的主函數代碼。

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，因爲我們這個圖片是灰度圖片，是單通道的，可能這個RandomRotate函數要求輸入圖片是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）.但是這裏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)

然後重新運行代碼，發現可以正常訓練了，打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。這裏需要注意的是，現在用全部的數據進行訓練，沒有使用驗證集的做法，是有可能過擬合情況出現的（但是這裏只是訓練了10個epoch應該不會過擬合），更穩妥的做法是把數據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，寫一個預測的函數，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，看看圖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 = ', ')

輸出圖像是：

打印輸出：

OK了，恭喜你，完成了MNIST手寫數字集的分類。