用PyTorch搭建卷积神经网络实现MNIST手写数字识别

用PyTorch搭建卷积神经网络实现MNIST手写数字识别

在深度学习领域，卷积神经网络（Convolutional Neural Network，简称CNN）是处理图像数据的强大工具。它通过卷积层、池化层和全连接层等组件，自动提取图像特征，在图像分类、目标检测等任务中表现卓越。本文将使用PyTorch框架，搭建一个CNN模型来实现MNIST手写数字识别，并详细解析每一步代码。

一、MNIST数据集介绍

MNIST数据集是深度学习领域经典的入门数据集，包含70,000张手写数字图像，其中60,000张用于训练，10,000张用于测试。这些图像均为灰度图，尺寸是28x28像素，并且已经做了居中处理，这在一定程度上减少了预处理的工作量，能够加快模型的训练和运行速度。

二、环境准备与数据加载

2.1 导入必要的库

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

上述代码导入了PyTorch的核心库、神经网络模块、数据加载工具以及用于图像数据处理和数据集管理的库。

2.2 下载并加载数据集

training_data = datasets.MNIST(
    root='data',
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.MNIST(
    root='data',
    train=False,
    download=True,
    transform=ToTensor()
)

通过datasets.MNIST函数分别下载训练集和测试集。root参数指定数据下载的路径；train=True表示下载训练集数据，train=False则表示下载测试集数据；download=True确保如果数据尚未下载，会自动进行下载；transform=ToTensor()将图像数据转换为PyTorch能够处理的张量格式。

2.3 数据可视化

from matplotlib import pyplot as plt
figure = plt.figure()
for i in range(9):
    img, label = training_data[i + 59000]
    figure.add_subplot(3, 3, i + 1)
    plt.title(label)
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

这段代码使用matplotlib库展示了训练数据集中的部分手写数字图像，通过plt.imshow函数将张量格式的图像数据可视化，直观感受MNIST数据集的内容。

2.4 创建数据加载器

train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

DataLoader用于将数据集打包成批次，batch_size参数指定每个批次包含的数据样本数量。将数据集分成批次进行训练，能够有效减少内存使用，并提高训练速度。

三、设备配置

device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Using {device} device")

这段代码检测当前设备是否支持GPU（CUDA）或苹果M系列芯片的GPU（MPS），如果都不支持，则使用CPU进行计算。后续模型和数据都会被移动到选定的设备上运行，以充分利用硬件资源加速训练。

四、定义卷积神经网络模型

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1,
                out_channels=16,
                kernel_size=5,
                stride=1,
                padding=2
            ),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(16, 32, 5, 1, 2),
            nn.ReLU(),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.conv3 = nn.Sequential(
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.ReLU()
        )
        self.out = nn.Linear(64 * 7 * 7, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.conv3(x)
        x = x.view(x.size(0), -1)
        output = self.out(x)
        return output

在这个自定义的CNN类中，继承自nn.Module。__init__方法中定义了网络的结构：

• 卷积层（nn.Conv2d） ：用于提取图像特征，通过设置in_channels（输入通道数）、out_channels（输出通道数，即卷积核个数）、kernel_size（卷积核大小）、stride（步长）和padding（填充）等参数，控制卷积操作。
• 激活函数层（nn.ReLU）：引入非线性，增强网络的表达能力。
• 池化层（nn.MaxPool2d）：对特征图进行下采样，减少数据量和计算量，同时保留主要特征。
• 全连接层（nn.Linear）：将卷积层和池化层提取的特征映射到输出类别（MNIST数据集中有10个数字类别）。

forward方法定义了数据在网络中的前向传播路径，确保数据按照网络结构依次经过各层处理，最终输出预测结果。

五、训练与测试模型

5.1 定义损失函数和优化器

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

nn.CrossEntropyLoss是适用于多分类任务的交叉熵损失函数，用于计算模型预测结果与真实标签之间的差距。torch.optim.Adam是一种常用的优化器，通过调整模型的参数（model.parameters()）来最小化损失函数，lr参数设置学习率，控制参数更新的步长。

5.2 训练函数

def train(dataloader, model, loss_fn, optimizer):
    model.train()
    batch_size_num = 1
    for X, y in dataloader:
        X, y = X.to(device), y.to(device)
        pred = model(X)
        loss = loss_fn(pred, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        loss_value = loss.item()
        if batch_size_num % 100 == 0:
            print(f'loss:{loss_value:>7f} [number:{batch_size_num}]')
        batch_size_num += 1

在训练函数中：

• model.train()将模型设置为训练模式，此时模型中的一些层（如Dropout层）会按照训练规则工作。
• 遍历数据加载器中的每一个批次数据，将数据和标签移动到指定设备上。
• 通过模型进行预测，计算损失值。
• 使用optimizer.zero_grad()清零梯度，loss.backward()进行反向传播计算梯度，optimizer.step()根据梯度更新模型参数。
• 每隔100个批次，打印当前的损失值，以便观察训练过程中的损失变化。

5.3 测试函数

def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    test_loss /= num_batches
    correct /= size
    print(f'Test result: \n Accuracy: {(100 * correct)}%, Avg loss: {test_loss}')

测试函数中：

• model.eval()将模型设置为测试模式，关闭一些在训练过程中起作用但在测试时不需要的操作（如Dropout）。
• 使用with torch.no_grad()上下文管理器，关闭梯度计算，因为在测试阶段不需要更新模型参数，这样可以节省计算资源。
• 遍历测试数据，计算每个批次的损失值并累加，同时统计预测正确的样本数量。
• 最后计算并打印测试集上的平均损失和准确率，评估模型的性能。

5.4 执行训练和测试

epoch = 9
for i in range(epoch):
    print(i + 1)
    train(train_dataloader, model, loss_fn, optimizer)

test(test_dataloader, model, loss_fn)

通过设置训练轮数（epoch），循环调用训练函数进行模型训练，每一轮训练结束后，调用测试函数评估模型在测试集上的性能。

六、总结

本文通过详细的代码解析，展示了如何使用PyTorch搭建一个简单的卷积神经网络来实现MNIST手写数字识别任务。从数据加载、模型定义，到训练和测试，每一个步骤都体现了CNN在图像分类任务中的核心思想和实现方法。通过不断调整模型结构、超参数等，还可以进一步提升模型的性能。卷积神经网络在图像领域的应用远不止于此，它在更复杂的图像任务和其他领域也有着广泛的应用前景，希望本文能为大家深入学习深度学习提供一个良好的开端。