【学习源】Tutorials > Deep Learning with PyTorch: A 60 Minute Blitz > Training a Classifier
??本文相当于对上面链接教程中自认为有用部分进行的截取、翻译和再注释。便于日后复习、修正和补充。
边写边查资料的过程中猛然发现这居然有中文文档……不过中文文档也是志愿者翻译的，仅仅是翻译，也没有对知识点的扩充，不耽误我写笔记。这篇笔记就继续写下去吧。附PyTorch 中文教程 & 文档 > 训练分类器
??一般来说，当你不得不与图像、文本或者视频资料打交道时，会选择使用python的标准库将原始数据加载转化成numpy数组，甚至可以继续转换成torch.*Tensor。
??Pytorch特别针对视觉方面创建torchvision库，其中包含能够加载ImageNet、CIFAR10和MNIST等数据集的数据加载功能，对图像的数据增强功能，即 torchvision.datasets 和 torch.utils.data.DataLoader 。
??这为大家搭建数据集提供了极大的便利，避免了需要自己写样板代码的情况。
??本次我们使用CIFAR10数据集。这是一个含有“飞机”、“汽车”、“鸟”、“猫”、“鹿”、“狗”、“青蛙”、“马”、“轮船”和“卡车”等10个分类的数据集。数据集中每张图像均为[C×H×W]=[3×32×32]即3通道的高32像素宽32像素的彩色图像。
??下面的步骤大概可以分成5个有序部分：
P.S. 以下给出的代码均为在CPU上运行的代码。但本人在pycharm中运行的为自己修改过的在GPU上训练的代码，示例结果和截图也都是GPU运行的结果。
??用torchvision载入CIFAR10
import torchimport torchvisionimport torchvision.transforms as transforms??torchvision加载的数据集是PILImage，数据范围[0,1]。我们需要使用transform函数将其归一化(normalize)为[-1,1]。
??细心的伙伴发现了我将英文的normalize翻译成了“归一化”而不是标准化，这是因为接下来的代码你会看到预处理阶段transformer变量存储的处理操作仅仅是运用了normalize的计算规则将数据范围进行了缩放，并没有改变数据的分布，因此翻译成“归一化”更合理。
NOTE.(抄的原文，以防有小伙伴真的遇到这个意外问题)
If running on Windows and you get a BrokenPipeError,
try setting the num_worker of torch.utils.data.DataLoader() to 0。
--snip--transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])batch_size = 4trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size, shuffle=True, num_workers=2)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size, shuffle=False, num_workers=2)classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')??transform中的ToTensor和Normalize函数究竟在做什么，以及为什么要归一化等问题感兴趣的小伙伴可以阅读附录中的序号1~3文章，其中
??书归正题，上述代码第一次运行的结果可能是这样子的：
??此时，我们可以使用numpy库和matplotlib库查看数据集中的图片和标签。
import matplotlib.pyplot as pltimport numpy as np# functions to show an imagedef imshow(img): img = img / 2 + 0.5 # unnormalize npimg = img.numpy() plt.imshow(np.transpose(npimg, (1, 2, 0))) plt.show()# get some random training imagesdataiter = iter(trainloader)images, labels = dataiter.next()# show imagesimshow(torchvision.utils.make_grid(images))# print labelsprint(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))??但是如果你就这样将代码copy+paste在pycharm中直接接续在载入数据的代码下面点击“运行”，有可能得到的是一个RuntimeError,并建议你按照惯例设置if __name__ == '__main__':
??所以，我建议将目前为止的代码优化成下面的样子：
import torchimport torchvisionimport torchvision.transforms as transformsfrom torch.utils.data import DataLoader # 如果torch.utils.data.DataLoader()有报错提示“在 '__init__.py' 中找不到引用 'data'则增加此语句或者其他语句 ”import matplotlib.pyplot as pltimport numpy as np# ①←后续如果继续导入packages，请直接在这里插入代码transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])batch_size = 4trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size, shuffle=True, num_workers=2)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size, shuffle=False, num_workers=2)classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')def imshow(img): """显示图像的函数""" img = img / 2 + 0.5 # 去归一化 npimg = img.numpy() # 上面transform.ToTensor()操作后数据编程CHW[通道靠前模式]，需要转换成HWC[通道靠后模式]才能plt.imshow() plt.imshow(np.transpose(npimg, (1, 2, 0))) # 转置前将排在第0位的Channel(C)放在最后，所以是(1,2,0) plt.show()# ②←后续再有定义class、function等在此插入代码编写if __name__ == '__main__': # 随机输出 dataiter_tr = iter(trainloader) # 取一个batch的训练集数据 # images_tr, labels_tr = dataiter_tr.next() 根据你的python选择迭代器调用语句 images_tr, labels_tr = next(dataiter_tr) # 切分数据和标签 imshow(torchvision.utils.make_grid(images_tr)) # 生成网格图 print(' '.join(f'{classes[labels_tr[j]]:5s}' for j in range(batch_size))) # 打印标签值 # print(' '.join('%5s' % classes[labels_tr[j]] for j in range(batch_size))) 如果你使用python3.6之前的版本，那么有可能无法使用f字符串语句，只能使用.format()方法# ③←后续的程序执行语句在此插入
??输出图像示例：
标签输出：bird cat deer ship
??可以将之前写过的识别手写数字MNIST的神经网络迁移到这里来。
# 在①后插入import代码import torch.nn as nnimport torch.nn.functional as F# 在②后插入神经网络定义代码class Net(nn.Module): """定义一个卷积神经网络及前馈函数""" def __init__(self): """初始化网络：定义卷积层、池化层和全链接层""" super().__init__() # 继承父类属性。P.S. 如果看到super(Net, self).__init__()写法亦可 self.conv1 = nn.Conv2d(3, 6, 5) # 使用2套卷积核。输入(B×3×32×32),输出(B×6×28×28) self.pool = nn.MaxPool2d(2, 2) # 最大池化操作，输出时高、宽减半，(B×6×14×14) (B×16×5×5) self.conv2 = nn.Conv2d(6, 16, 5) # 使用4套卷积核，卷积核大小为5×5。(B×16×10×10) self.fc1 = nn.Linear(16 * 5 * 5, 120) # 全链接层。将数据扁平化成一维，共400个输入，120个输出 self.fc2 = nn.Linear(120, 84) # 全链接层。120个输入，84个输出 self.fc3 = nn.Linear(84, 10) # 全链接层。84个输入，10个输出用于分类 def forward(self, x): """前馈函数，规定数据正向传播的规则""" x = self.pool(F.relu(self.conv1(x))) # 输入 > conv1卷积 > ReLu激活 > maxpool最大池化 x = self.pool(F.relu(self.conv2(x))) # > conv2卷积 > ReLu激活 > maxpool最大池化 # x = torch.flatten(x, 1) # 如果你不喜欢下一种写法实现扁平化，可以使用这条语句代替 x = x.view(-1, 16 * 5 * 5) # 相当于numpy的reshape。此处是将输入数据变换成不固定行数，因此第一个参数是-1，完成扁平化 x = F.relu(self.fc1(x)) # 扁平化数据 > fc1全链接层 > ReLu激活 x = F.relu(self.fc2(x)) # > fc2全链接层 > ReLu激活 x = self.fc3(x) # > fc3全链接层 > 输出 return x# 在③后插入神经网络实例化代码net = Net() # 实例化神经网络??我们使用多分类交叉熵损失函数(Classification Cross-Entropy loss)[4]和随机梯度下降法(SGD)的动量改进版(momentum)[5][6]
# 在①后插入import代码import torch.optim as optim# 在③后插入代码criterion = nn.CrossEntropyLoss() # 交叉熵损失函数optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)??这里必须做一个扩展。
??在2.2中我们可以看到神经网络中，每个层的输出都经过了激活函数的激活作用。但是在输出层后却缺少了激活函数而貌似“直接作用了损失函数”。
??简单地说，原因就在于torch.nn.CrossEntropyLoss()将nn.LogSoftmax()激活函数和nn.NLLLoss()负对数似然损失函数集成在一起。
??logsoftmax是argmax => softargmax => softmax => logsoftmax逐步优化的求极大值的index的期望的方法。
??负对数似然损失函数(Negtive Log Likehood)就是计算最小化真实分布\(P(y|x)\)与模型输出分布\(P(\hat{y}|x)\)的距离，等价于最小化两者的交叉熵。实际使用函数时，是one-hot编码后的标签与logsoftmax结果相乘再求均值再取反，这个过程博主“不愿透漏姓名的王建森”在他的博客中做过实验[7]讲解。
??上述结论的详尽说明请参考知乎上Cassie的创作《吃透torch.nn.CrossEntropyLoss()》[8]、知乎上Gordon Lee的创作《交叉熵和极大似然估计的再理解》 [9]。
??P.S. 对于torch.nn.CrossEntropyLoss()的官网Doc中提到的"This is particularly useful when you have an unbalanced training set."关于如何处理不均衡样品的几个解决办法，可以参考Quora上的问答《In classification, how do you handle an unbalanced training set?》[10]以及热心网友对此问答的翻译[11]
??事情变得有趣起来了！我们只需要遍历我们的迭代器，将其输入进神经网络和优化器即可。
如果想在GPU上训练请参考文章开头给出的【学习源】链接中的末尾部分有教授如何修改代码的部分。
--snip--# 在③后插入代码 for epoch in range(5): # 数据被遍历的次数 running_loss = 0.0 # 每次遍历前重新初始化loss值 for i, data in enumerate(trainloader, 0): inputs, labels = data # 切分数据集 optimizer.zero_grad() # 梯度清零，避免上一个batch迭代的影响 # 前向传递 + 反向传递 + 权重优化 outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 输出日志 running_loss += loss.item() # Tensor.item()方法是将tensor的值转化成python number if i % 2000 == 1999: # 每2000个mini batches输出一次 # print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) 如果python3.6之前版本可以使用这个代码 print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}') running_loss = 0.0 print('Finished Training')Out:
model will be trained on device: 'cuda:0'
某一次输出结果日志整理一下如下表：
| mini batch → epoch ↓ | loss | |||||
|---|---|---|---|---|---|---|
| 2000 | 4000 | 6000 | 8000 | 10000 | 12000 | |
| 1 | 2.219 | 1.978 | 1.754 | 1.600 | 1.517 | 1.469 |
| 2 | 1.405 | 1.363 | 1.356 | 1.323 | 1.293 | 1.280 |
| 3 | 1.234 | 1.228 | 1.204 | 1.186 | 1.179 | 1.183 |
| 4 | 1.111 | 1.095 | 1.135 | 1.119 | 1.119 | 1.105 |
| 5 | 0.995 | 1.043 | 1.048 | 1.060 | 1.064 | 1.042 |
Finished Training
??将loss数据整理并画图(选做)：
--snip--x = np.linspace(2000, 12000, 6, dtype=np.int32)# 数据每次训练输出都不一样，给出画图代码，至于数据，大家寄几填吧~epoch_01 = np.array([...])epoch_02 = np.array([...])epoch_03 = np.array([...])epoch_04 = np.array([...])epoch_05 = np.array([...])plt.plot(x, epoch_01, 'ro-.', x, epoch_02, 'bo-.', x, epoch_03, 'yo-.', x, epoch_04, 'ko-.', x, epoch_05, 'go-.')plt.legend(['Epoch_1', 'Epoch_2', 'Epoch_3', 'Epoch_4', 'Epoch_5'])plt.xlabel('number of mini-batches')plt.ylabel('loss')plt.title('Loss during CIFAR-10 training procedure in Convolution Neural Networks')plt.show()
??通过数据我们可以看出loss的下降趋势：
??现在我们可以快速保存训练完成的模型到指定的路径。
--snip--PATH = './cifar_net.pth'torch.save(net.state_dict(), PATH)保存的文件
??我们已经用训练集数据将神经网络训练了5次(epoches=5)。但我们还需要核实神经网络是否真的学到了什么。
??我们将以神经网络预测的类别标签和真实标签进行对比核实。如果预测正确，则将样本添加到正确预测列表中。
??首先我们像查看训练集的一个mini batch图像一样，看一下一部分测试集图像。
--snip-- dataiter_te = iter(testloader) images_te, labels_te = next(dataiter_te) # 另一种备用写法参考训练集部分 imshow(torchvision.utils.make_grid(images_te)) print('GroundTruth: ', ' '.join('%5s' % classes[labels_te[j]] for j in range(batch_size))) # 另一种备用写法参考训练集部分
Out:
GroundTruth: cat ship ship plane
??下面，我们载入之前保存的模型(注：保存和再载入模型不是必要步骤，这里这么做是为了演示这些操作)：
--snip--net = Net()net.load_state_dict(torch.load(PATH))??OK，现在让我们看看神经网络如何看待这些图像的分类的：
--snip--outputs = net(images) # 看一下神经网络对上述展示图片的预测结果??输出的是10个分类的“能量(energy)”。某个分类的能量越高，意味着神经网络认为该图像越符合该分类。因此我们可以获得那个能量的索引。
--snip-- _, predicted = torch.max(outputs, 1) # torch.max(input, dim)返回按照dim方向的最大值和其索引 print('Predicted: ', ' '.join(f'{classes[predicted[j]]:5s}' for j in range(batch_size)))Out:
Predicted: cat ship ship ship
??看起来不错。下面就试一试在全部测试集上的表现：
correct = 0 total = 0 # 由于这不是在训练模型，因此对输出不需要计算梯度等反向传播过程 with torch.no_grad(): for data in testloader: images_pre, labels_pre = data outputs = net(images_pre) # 数据传入神经网络，计算输出 _, predicted = torch.max(outputs.data, 1) # 获取最大能量的索引 total += labels_pre.size(0) # 计算预测次数 correct += (predicted == labels_pre).sum().item() # 计算正确预测次数 print(f'Accuracy of the network on the 10000 test images: {100 * correct // total} %')Out:
Accuracy of the network on the 10000 test images: 61 %
??感觉预测的准确率比随机从10个类中蒙一个类(概率10%)要高，看来神经网络确实学到了一些东西。
??当然，我们还可以看一下对于不同的类的学习效果：
--snip--# 生成两个dict,分别用来存放预测正确数量和总数量的个数correct_pred = {classname: 0 for classname in classes}total_pred = {classname: 0 for classname in classes}# 启动预测过程，无需计算梯度等with torch.no_grad(): for data in testloader: images_cl, labels_cl = data outputs = net(images_cl) _, predictions = torch.max(outputs, 1) # 开始计数 for label, prediction in zip(labels_cl, predictions): if label == prediction: correct_pred[classes[label]] += 1 total_pred[classes[label]] += 1# 分类别打印预测准确率for classname, correct_count in correct_pred.items(): accuracy = 100 * float(correct_count) / total_pred[classname] print(f'Accuracy for class: {classname:5s} is {accuracy:.1f} %')Out:
Accuracy for class: plane is 66.2 %
Accuracy for class: car is 80.7 %
Accuracy for class: bird is 39.1 %
Accuracy for class: cat is 53.4 %
Accuracy for class: deer is 64.6 %
Accuracy for class: dog is 35.8 %
Accuracy for class: frog is 67.9 %
Accuracy for class: horse is 69.5 %
Accuracy for class: ship is 75.0 %
Accuracy for class: truck is 65.5 %
??至此，我们完成了练习！
??在结束前，让我们反思一下准确率为何会呈现上述样子，我推测：
??通过本次练习，我们做到了：
??最后，希望各位给出建议与批评共同交流学习
pytorch的transform中ToTensor接着Normalize ??
pytorch中归一化transforms.Normalize的真正计算过程 ??
标准化/归一化的目的和作用 ??
Doc--torch.nn.CrossEntropyLoss ??
torch.optim.SGD ??
深度学习中常用优化器的总结 ??
交叉熵的数学原理及应用——pytorch中的CrossEntropyLoss()函数 ??
吃透torch.nn.CrossEntropyLoss() ??
交叉熵和极大似然估计的再理解 ??
In classification, how do you handle an unbalanced training set? ??
在分类中如何处理训练集中不平衡问题？ ??
