利用Pytorch进行CNN分析

本文主要介绍“使用Pytorch进行CNN分析”。在日常操作中，相信很多人对使用Pytorch进行CNN分析有所怀疑。边肖查阅了各种资料，整理出简单易用的操作方法，希望能帮你解答“用Pytorch进行CNN分析”的疑惑！接下来，请和边肖一起学习！

工具

开源深度学习库：PyTorch

数据集：MNIST

实现

初始要求

首先，建立一个基本的基站网络。Pytorch中有以下代码：

classNet(nn。模块):def__init__(自身):super(网络，自身)。__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。线性(4*4*50，500)self.fc2=nn。线性(500，10)defforward(self，X): X=f . max _ pool 2d(self . conv 1(X)，2) x=f.max _ pool2d (self.conv2 (x)，2) x=x.view (-1，4 * 4 * 50) x=f.relu (self

问题A：预处理

也就是说，需要根据规则读取MNIST数据集，并将其转换为适合处理的格式。这里读取的代码遵循BigDL Python Support的读取方法，可以根据MNIST主页上的数据格式快速读取。密钥块具有读取32位的功能：

def _ read 32(byte stream): dt=numpy . dtype(numpy . uint 32)。new byte order(')#大端模式读取，* * *字节优先(msbfirst)从缓冲区返回numpy . from(byte stream . read(4))，n

bsp;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，请继续关注网站，小编会继续努力为大家带来更多实用的文章！