pytorch深度学习实践3——多分类问题，卷积神经网络CNN

全连接网络：用线性层将网络连接在一起

softmax数学原理：

loss函数实现方法：

import numpy as np
y = np.array([1,0,0])
z = np.array([0.2,0.1,-0.1])
y_pred = np.exp(z)/np.exp(z).sum()
loss = (-y*np.log(y_pred)).sum()
print(loss)

交叉熵损失：

import torch
y = torch.LongTensor([0])
z = torch.Tensor([[0.2,0.1,-0.1]])
criterion = torch.nn.CrossEntropyLoss()
loss = criterion(z,y)
print(loss)

import torch
criterion = torch.nn.CrossEntropyLoss()
Y = torch.LongTensor([2,0,1])
Y_pred1 = torch.Tensor([[0.1,0.2,0.9],
                        [1.1,0.1,0.2],
                        [0.2,2.1,0.1]])
Y_pred2 = torch.Tensor([[0.8,0.2,0.3],
                        [0.2,0.3,0.5],
                        [0.2,0.2,0.5]])
l1 = criterion(Y_pred1,Y)
l2 = criterion(Y_pred2,Y)
print("Batch Loss1=",l1.data,"\nBatch Loss2",l2.data)

手写数字识别分类案例代码：
引入的包和库：


将图像转换为pytorch的tensor
将图像归一化为0-1分布

将transforms运用到dataset中：

构建模型：


定义损失函数和优化器：

训练：

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F  #导入relu函数
import torch.optim as optim  #优化器

batch_size = 64
#Normalize 归一化 0.1307 均值  0.3081 标准差
transform = transforms.Compose([transforms.ToTensor(),
                                 transforms.Normalize((0.1307),(0.3081,))])
train_dataset = datasets.MNIST(root='../dataset/mnist/',
                              train=True,
                              download=True,
                              transform=transform)
train_loader = DataLoader(train_dataset,
                          shuffle=True,
                          batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/',
                              train = False,
                              download=True,
                              transform=transform)
test_loader = DataLoader(test_dataset,
                         shuffle=False,
                         batch_size=batch_size)
class Net(torch.nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        #线性变换，缩小维度，减少计算量
        self.l1 = torch.nn.Linear(784,512)
        self.l2  = torch.nn.Linear(512,256)
        self.l3 = torch.nn.Linear(256,128)
        self.l4 = torch.nn.Linear(128,64)
        self.l5 = torch.nn.Linear(64,10)  #最后变换为10个分类
    def forward(self,x):
        #-1  自动计算N的值  784 将图像转换为1维的长向量
        x = x.view(-1,784)
        #激活函数relu
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return self.l5(x)  #最后一层不做激活
model = Net()
#交叉熵损失函数
criterion = torch.nn.CrossEntropyLoss()
#momentum 冲量
optimizer = optim.SGD(model.parameters(),lr=0.01,momentum=0.5)

def train(epoch):
    running_loss = 0.0
    for batch_idx,data in enumerate(train_loader,0):
        inputs,target = data
        optimizer.zero_grad()  #梯度值清零
        outputs = model(inputs)   #前向传播
        loss = criterion(outputs,target)
        loss.backward()   #反向传播
        optimizer.step()  #更新权重

        running_loss+=loss.item()
        if batch_idx %300==299:
            print('[%d,%5d] loss:%.3f' %(epoch+1,batch_idx+1,running_loss/300))
            running_loss=0.0
def test():
    correct = 0
    total = 0
    with torch.no_grad():   #使得以下代码执行过程中不用求梯度
        for data in test_loader:
            images,labels = data
            outputs = model(images)
            # 在每一行中求最大值的下标，返回两个参数，第一个为最大值，第二个为坐标
            #dim=1 数值方向的维度为0，水平方向的维度为1
            _,predicted = torch.max(outputs.data,dim=1)
            total+=labels.size(0)
            #当预测值与标签相同时取出并求和
            correct+=(predicted==labels).sum().item()
    print('Accuracy on test set:%d %%' % (100*correct/total))

if __name__=='__main__':
    for epoch in range(10):
        train(epoch)
        test()

卷积神经网络CNN（基础篇）

卷积神经网络结构：


彩色图像做卷积：

卷积核的张量有四个维度：


实例：


最大池化：


基本过程：


实现代码：




结果达到98%

卷积神经网络CNN（高级篇）

1*1的卷积核的作用：




梯度消失：指在反向传播过程中，梯度始终小于1，在累乘的过程中，会逐渐趋于0，由于w=w-ag g(梯度)等于0时，w就不再改变。利用残差网络可以有效的抑制梯度消失的出现。利用残差网络要保证输出层和输入层的维度保持一致。
残差网络的实现：