问题描述：

给定手写字体的图片，人工智能自动判断这是数字几

数据来源：

MNIST数据集

代码实战：

Part 1. 准备数据集

该模块内容完成的功能：

1. 下载MNIST数据集；
2. 转换数据格式，使适用于pytorch；
3. 数据分批；
4. 将上述功能 API化

from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision.transforms import Compose,ToTensor,Normalize
def get_data(Batch_Size,train=True):
    #train = True则是训练集，否则是测试集
    #以每批Batch_size大小进行数据分批
    transform_fn = Compose([
        ToTensor(), #转张量
        Normalize(mean=(0.1307,),std=(0.3081))#正则化
        #mean和std的形状和通道数相同
    ])
    dataset = MNIST( #数据集类别
        root=r'E:MNIST数字识别	raining', #将数据集存储在路径/files/内
        train =True, #True表示获取的是训练s集，否则获取的是训练集
        download=False,#如果没有下载过数据集，则需要标True下载
        transform= transform_fn #图片处理函数
    )
    data_loader = DataLoader( #分批次的数据集类别
        dataset, #将dataset分批
        batch_size = Batch_Size, #每批包含Batch_size个数据
        shuffle=True #随机打乱
    )
    return data_loader

Part 2. 构建模型

1. 构建模型逻辑

神经网络结构：
四层神经网络，输入层->全连接层1->全连接层2->输出层

参数设定：

激活函数： relu()

损失函数： 交叉熵损失函数

数据形状：

原始数据：[batch_size,1,28,28] # 原始数据形状

输入层：[batch_size,1x28x28] # 摊开

第一层输出：[batch_size,28] # 参数28可以自行修改

第二层输出：[batch_size,10] # 十个数字，十个类别

优化器： Adam()

import torch
from torch import nn
import torch.nn.functional as F
class Number_Identify(nn.Module):
	def __init__(self):
		super(Number_Identify,self).__init__() #继承父类init的参数
		self.fc1 = nn.Linear(1*28*28,28,bias=True) 
		#第一层神经网络,输入维度为1*28*28，输出维度为28
		self.fc2 = nn.Linear(28,10,bias=True)
		#第二层神经网络，输入维度为28，输出维度为10
	def forward(self,x): #模型输入x，输出out
		x = x.view(-1,1*28*28) 
		#view()相当于reshape(),参数为-1表示 根据情况自适应调整
		x = self.fc1(x) #经过第一层神经网络计算
		x = F.relu(x) #经过激活函数
		out = self.fc2(x) #经过第二层神经网络计算
		return F.log_softmax(out,dim=-1)

2. 模型实例化

from torch import optim
model = Number_Identify()#调用模型基底、
#criterion = nn.CrossEntropyLoss() #损失函数
optimizer = optim.Adam(model.parameters(),lr=1e-3) #优化器

Part 3. 训练模型

该模块内容完成的功能：

1. 从MNIST数据集导入训练数据集
2. 实现训练逻辑
3. 将上述功能 API化

构建模型训练的逻辑过程

#训练函数
def train(epoch):
	model.train(mode=True) #当前模型设定为训练模式
	data_train = get_data(2,train=True) 
	#获取训练数据,数据按每两个一组分批
	for idx,(data,target) in enumerate(data_train):
		optimizer.zero_grad() #清零梯度
		out = model(data) #向前计算：预测当前数据的结果
		loss = F.nll_loss(out,target) #计算带权损失
		loss.backward() #反向传播
		optimizer.step() #参数更新
		#训练进度展示：
		if idx%10000 == 0:
			print('	 batches[%d/%d],loss:%.6f' % (
				idx,len(data_train),loss.data
			)) 

模型训练

#训练
training_times = int(input("输入训练次数："))
for epoch in range(training_times): #多次训练
    print("Train_epoch[%d/%d]:" % (epoch+1,training_times))
    train(epoch)
    print("=========Train_epoch[%d/%d] finished======" % (epoch+1,training_times))
print("======训练完成======")

Part 4. 保存模型

torch.save(
    model.state_dict(),
    r'E:AI_Model_saveNumber_Identifymodel_net.pt'
)#保存模型
torch.save(
    optimizer.state_dict(),
    r'E:AI_Model_saveNumber_Identifymodel_optimiter.pt'
)#保存优化器

Part 5. 模型使用

1. 加载模型

import os
import torch
if os.path.exists(r'E:AI_Model_saveNumber_Identify'):       
    model.load_state_dict(torch.load(
        r'E:AI_Model_saveNumber_Identifymodel_net.pt'
    )) #加载模型
    optimizer.load_state_dict(torch.load(
        r'E:AI_Model_saveNumber_Identifymodel_optimiter.pt'
    ))#加载优化器
    print("======成功调用=======")
else: 
    print("路径错误")

2. 模型评估

编写test函数，实现模型评估的API
实现功能：批量预测+计算正确率
API部分

import numpy as np
import torch
def test(model,data_test):
    loss_list = []
    accuracy_list = []
    for idx,(Input,target) in enumerate(data_test):
        with torch.no_grad():#预测状态，不改变梯度参数
            output = model(Input) #批量预测
            cur_loss = F.nll_loss(output,target) #计算损失
            loss_list.append(cur_loss)
            pred = output.max(dim=-1)[-1] #批量预测结果
            accuracy = pred.eq(target).float().mean() #计算准确率
            accuracy_list.append(accuracy)
            #这里计算的是每个batch的正确率与损失
    return np.mean(accuracy_list),np.mean(loss_list)

导入测试数据 并测试

data_test = get_data(100,train=False) 
#读取测试数据集,每100个为一组进行测试
accuracy,loss = test(model,data_test) #测试数据
print("准确率：%.2f" % (accuracy*100),"%")
print("Loss：",loss)

3. 单图预测【待填】

After all:

用pytorch做了这个实战，个人感受是：
pytorch的数据预处理更加傻瓜式，但伴随的参数也更多，需要熟悉的API也更多，学起来更麻烦一些，成本更高，但使用起来的便利性更好；
相比之下，keras的数据预处理需要我们自己完成，学起来很简单，但用起来很麻烦（每次都要自己手写数据的预处理）