写在前面
由于MLP的实现框架已经非常完善，网上搜到的代码大都大同小异，而且MLP的实现是deeplearning学习过程中较为基础的一个实验。因此完全可以找一份源码以参考，重点在于照着源码手敲一遍，以熟悉pytorch的基本操作。
实验要求
熟悉pytorch的基本操作：用pytorch实现MLP，并在MNIST数据集上进行训练
环境配置
实验环境如下：
- Win10
- python3.8
- Anaconda3
- Cuda10.2 + cudnn v7
- GPU : NVIDIA GeForce MX250
配置环境的过程中遇到了一些问题，解决方案如下：
-
anaconda下载过慢
使用清华镜像源，直接百度搜索即可
-
pytorch安装失败
这里我首先使用的是pip的安装方法，失败多次后尝试了使用anaconda，然后配置了清华镜像源，最后成功。参考的教程如下：
win10快速安装pytorch，清华镜像源当然也可以直接去pytorch官网下载所需版本的whl文件，然后手动pip安装。由于这种方式我已经学会了，为了学习anaconda，所以没有采用这种方式。具体方式可以百度如何使用whl。顺便贴下pytorch的whl的下载页面
注意：pytorch的版本是要严格对应是否使用GPU、python版本、cuda版本的，如需手动下载pytorch的安装包，需搞懂其whl文件的命名格式
另外还学习了anaconda的一些基本操作与原理，参考如下：
Anaconda完全入门指南
实验过程
最终代码见github：hit-deeplearning-1
首先设置一些全局变量，加载数据。batch_size决定了每次向网络中输入的样本数，epoch决定了整个数据集的迭代次数，具体作用与大小如何调整可参考附录中的博客。
将数据读入，如果数据不存在于本地，则可以自动从网上下载，并保存在本地的data文件夹下。
#一次取出的训练样本数
batch_size = 16
# epoch 的数目
n_epochs = 10
#读取数据
train_data = datasets.MNIST(root="./data", train=True, download=True,transform=transforms.ToTensor())
test_data = datasets.MNIST(root="./data", train=False, download=True, transform=transforms.ToTensor())
#创建数据加载器
train_loader = torch.utils.data.DataLoader(train_data, batch_size = batch_size, num_workers = 0)
test_loader = torch.utils.data.DataLoader(test_data, batch_size = batch_size, num_workers = 0)
接下来是创建MLP模型，关于如何创建一个模型，可以参考附录中的博客，总之创建模型模板，训练模板都是固定的。
其中Linear、view、CrossEntropyLoss、SGD的用法需重点关注。查看官方文档或博客解决。
这两条语句将数据放到了GPU上，同理测试的时候也要这样做。
data = data.cuda()
target = target.cuda()
class MLP(nn.Module):
def __init__(self):
#继承自父类
super(MLP, self).__init__()
#创建一个三层的网络
#输入的28*28为图片大小，输出的10为数字的类别数
hidden_first = 512
hidden_second = 512
self.first = nn.Linear(in_features=28*28, out_features=hidden_first)
self.second = nn.Linear(in_features=hidden_first, out_features=hidden_second)
self.third = nn.Linear(in_features=hidden_second, out_features=10)
def forward(self, data):
#先将图片数据转化为1*784的张量
data = data.view(-1, 28*28)
data = F.relu(self.first(data))
data = F.relu((self.second(data)))
data = F.log_softmax(self.third(data), dim = 1)
return data
def train():
# 定义损失函数和优化器
lossfunc = torch.nn.CrossEntropyLoss().cuda()
#lossfunc = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(params=model.parameters(), lr=0.01)
# 开始训练
for epoch in range(n_epochs):
train_loss = 0.0
for data, target in train_loader:
optimizer.zero_grad()
#将数据放至GPU并计算输出
data = data.cuda()
target = target.cuda()
output = model(data)
#计算误差
loss = lossfunc(output, target)
#反向传播
loss.backward()
#将参数更新至网络中
optimizer.step()
#计算误差
train_loss += loss.item() * data.size(0)
train_loss = train_loss / len(train_loader.dataset)
print('Epoch: {} Training Loss: {:.6f}'.format(epoch + 1, train_loss))
# 每遍历一遍数据集，测试一下准确率
test()
#最后将模型保存
path = "model.pt"
torch.save(model, path)
test程序不再贴出，直接调用了一个很常用的test程序。
最后是主程序，在这里将模型放到GPU上。
model = MLP()
#将模型放到GPU上
model = model.cuda()
train()
实验结果
实验结果如下，可以看到，当对数据迭代训练十次时，准确率已经可以达到97%
分别运行了两次，第一次没有使用cuda加速，第二次使用了cuda加速，任务管理器分别显示如下：
可以看到，未使用cuda加速时，cpu占用率达到了100%，而GPU的使用率为0；而使用cuda加速时，cpu占用率只有49%，而GPU使用率为1%。这里GPU使用率较低的原因很多，比如我程序中batch_size设置的较小，另外只将数据和模型放到了GPU上，cpu上仍有部分代码与数据。经简单测试，使用cuda的训练时间在2:30左右，不使用cuda的训练时间在3:40左右。
参考博客
如何创建自定义模型
pytorch教程之nn.Module类详解——使用Module类来自定义网络层
epoch和batch是什么
深度学习 | 三个概念：Epoch, Batch, Iteration
如何用GPU加速
PyTorch如何使用GPU加速（CPU与GPU数据的相互转换）
保存模型