这篇文章主要介绍“利用Pytorch进行CNN分析”，在日常操作中，相信很多人在利用Pytorch进行CNN分析问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”利用Pytorch进行CNN分析”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
成都创新互联公司公司2013年成立，是专业互联网技术服务公司，拥有项目成都网站制作、成都网站设计、外贸营销网站建设网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元丰都做网站,已为上家服务,为丰都各地企业和个人服务,联系电话:18980820575
工具
开源深度学习库： PyTorch
数据集： MNIST
实现
初始要求
首先建立基本的BASE网络，在Pytorch中有如下code：
class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1), padding=0) self.conv2 = nn.Conv2d(20, 50, kernel_size=(5, 5), stride=(1, 1), padding=0) self.fc1 = nn.Linear(4*4*50, 500) self.fc2 = nn.Linear(500, 10) def forward(self, x): x = F.max_pool2d(self.conv1(x), 2) x = F.max_pool2d(self.conv2(x), 2) x = x.view(-1, 4*4*50) x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x)
这部分代码见 base.py 。
问题A：预处理
即要求将MNIST数据集按照规则读取并且tranform到适合处理的格式。这里读取的代码沿用了BigDL Python Support的读取方式，无需细说，根据MNIST主页上的数据格式可以很快读出，关键block有读取32位比特的函数：
def _read32(bytestream): dt = numpy.dtype(numpy.uint32).newbyteorder('>') # 大端模式读取，***字节在前(MSB first) return numpy.frombuffer(bytestream.read(4), dtype=dt)[0]读出后是(N, 1, 28, 28)的tensor，每个像素是0-255的值，首先做一下归一化，将所有值除以255，得到一个0-1的值，然后再Normalize，训练集和测试集的均值方差都已知，直接做即可。由于训练集和测试集的均值方差都是针对归一化后的数据来说的，所以刚开始没做归一化，所以forward输出和grad很离谱，后来才发现是这里出了问题。
这部分代码见 preprocessing.py 。
问题B：BASE模型
将random seed设置为0，在前10000个训练样本上学习参数，***看20个epochs之后的测试集错误率。***结果为：
Test set: Average loss: 0.0014, Accuracy: 9732/10000 (97.3%)
可以看到，BASE模型准确率并不是那么的高。
问题C：Batch Normalization v.s BASE
在前三个block的卷积层之后加上Batch Normalization层，简单修改网络结构如下即可：
class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1), padding=0) self.conv2 = nn.Conv2d(20, 50, kernel_size=(5, 5), stride=(1, 1), padding=0) self.fc1 = nn.Linear(4*4*50, 500) self.fc2 = nn.Linear(500, 10) self.bn1 = nn.BatchNorm2d(20) self.bn2 = nn.BatchNorm2d(50) self.bn3 = nn.BatchNorm1d(500) def forward(self, x): x = self.conv1(x) x = F.max_pool2d(self.bn1(x), 2) x = self.conv2(x) x = F.max_pool2d(self.bn2(x), 2) x = x.view(-1, 4*4*50) x = self.fc1(x) x = F.relu(self.bn3(x)) x = self.fc2(x) return F.log_softmax(x)
同样的参数run一下，得出加了BN的结果为：
Test set: Average loss: 0.0009, Accuracy: 9817/10000 (98.2%)
由此可见，有明显的效果提升。
关于Batch Normalization的更多资料参见[2],[5]。
问题D： Dropout Layer
在***一层即 fc2 层后加一个 Dropout(p=0.5) 后，在BASE和BN上的结果分别为：
BASE：Test set: Average loss: 0.0011, Accuracy: 9769/10000 (97.7%) BN： Test set: Average loss: 0.0014, Accuracy: 9789/10000 (97.9%)
观察得知，dropout能够对BASE模型起到一定提升作用，但是对BN模型却效果不明显反而降低了。
原因可能在于，BN模型中本身即包含了正则化的效果，再加一层Dropout显得没有必要反而可能影响结果。
问题E：SK model
SK model: Stacking two 3x3 conv. layers to replace 5x5 conv. layer
如此一番改动后，搭建的SK模型如下：
class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1_1 = nn.Conv2d(1, 20, kernel_size=(3, 3), stride=(1, 1), padding=0) self.conv1_2 = nn.Conv2d(20, 20, kernel_size=(3, 3), stride=(1, 1), padding=0) self.conv2 = nn.Conv2d(20, 50, kernel_size=(3, 3), stride=(1, 1), padding=0) self.fc1 = nn.Linear(5*5*50, 500) self.fc2 = nn.Linear(500, 10) self.bn1_1 = nn.BatchNorm2d(20) self.bn1_2 = nn.BatchNorm2d(20) self.bn2 = nn.BatchNorm2d(50) self.bn3 = nn.BatchNorm1d(500) self.drop = nn.Dropout(p=0.5) def forward(self, x): x = F.relu(self.bn1_1(self.conv1_1(x))) x = F.relu(self.bn1_2(self.conv1_2(x))) x = F.max_pool2d(x, 2) x = self.conv2(x) x = F.max_pool2d(self.bn2(x), 2) x = x.view(-1, 5*5*50) x = self.fc1(x) x = F.relu(self.bn3(x)) x = self.fc2(x) return F.log_softmax(x)
在20个epoch后，结果如下，
SK： Test set: Average loss: 0.0008, Accuracy: 9848/10000 (98.5%)
测试集准确率得到了少许的提高。
这里利用2个3x3的卷积核来代替大的5x5卷积核，参数个数由5x5=25变为了2x3x3=18。实践表明，这样使得计算更快了，并且小的卷积层之间的ReLU也很有帮助。
VGG中就使用了这种方法。
问题F：Change Number of channels
通过将特征图大小乘上一个倍数，再通过shell程序执行，得到如下结果：
SK0.2： 97.7% SK0.5： 98.2% SK1： 98.5% SK1.5： 98.6% SK2： 98.5% (max 98.7%)
在特征图分别为4，10, 30, 40时，最终的准确度基本是往上提升的。这在一定程度上说明，在没有达到过拟合前，增大特征图的个数，即相当于提取了更多的特征，提取特征数的增加有助于精度的提高。
这部分代码见 SK_s.py 和 runSK.sh 。
问题G：Use different training set sizes
同样通过脚本运行，增加参数
parser.add_argument('--usedatasize', type=int, default=60000, metavar='SZ', help='use how many training data to train network')表示使用的数据大小，从前往后取 usebatchsize 个数据。
这部分程序见 SK_s.py 和 runTrainingSize.sh 。
运行的结果如下：
500： 84.2% 1000： 92.0% 2000： 94.3% 5000： 95.5% 10000： 96.6% 20000： 98.4% 60000： 99.1%
由此可以明显地看出，数据越多，结果的精度越大。
太少的数据无法准确反映数据的整体分布情况，而且容易过拟合，数据多到一定程度效果也会不明显，不过，大多数时候我们总还是嫌数据太少，而且更多的数据获取起来也有一定难度。
问题H：Use different training sets
采用脚本完成，这部分程序见 SK_0.2.py 和 diffTrainingSets.sh 。
运行结果如下：
0-10000： 98.0% 10000-20000： 97.8% 20000-30000： 97.8% 30000-40000： 97.4% 40000-50000： 97.5% 50000-60000： 97.7%
由此可见，采用不同的训练样本集合训练出来的网络有一定的差异，虽不是很大，但是毕竟显示出了不稳定的结果。
问题I：Random Seed’s effects
采用 runSeed.sh 脚本完成，用到了全部60000个训练集。
运行的结果如下：
Seed 0： 98.9% Seed 1： 99.0% Seed 12： 99.1% Seed 123： 99.0% Seed 1234： 99.1% Seed 12345： 99.0% Seed 123456： 98.9%
事实上在用上整个训练集的时候，随机数生成器的种子设置对于***结果的影响不大。
问题J：ReLU or Sigmoid?
将ReLU全部换成Sigmoid后，用全部60000个训练集训练，有对比结果如下：
ReLU SK_0.2: 99.0% igmoid SK_0.2: 98.6%
由此可以看出，在训练CNN时，使用ReLU激活单元比Sigmoid激活单元要更好一些。原因可能在于二者机制的差别，sigmoid在神经元输入值较大或者较小时，输出值会近乎0或者1，这使得许多地方的梯度几乎为0，权重几乎得不到更新。而ReLU虽然增加了计算的负担，但是它能够显著加速收敛过程，并且也不会有梯度饱和问题。
到此，关于“利用Pytorch进行CNN分析”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！
