深度學習筆記二:卷積神經網路(CNN)
卷積神經網路CNN
1. 緒論
1. 卷積神經網路的應用
基本應用:分類、檢索、檢測、分割
2. 傳統神經網路 VS 卷積神經網路
深度學習三部曲:
放一個知乎上寫的輔助理解CNN的文章:https://zhuanlan.zhihu.com/p/27908027
Step 1. 搭建神經網路
Step 2. 找到一個合適的損失函式(交叉熵損失、均方誤差等)
softmax
給定W,可以由畫素對映到類目得分。
損失函式是用來衡量吻合度的,衡量輸出和真實的標籤之間的差異。
可以調整引數/權重W,使得對映的結果和實際類別吻合。
\(Softmax(z_i)=\frac{e^{z_i}}{\Sigma^C_{c=1}e^{z_c}}\)
補充一下熵(Entropy)的概念。
eg:確定明天是否下雨,只需要一個bit即可(0代表不下雨,1代表下雨),也就是該隨機變數的熵為1。如果是陰晴雨雪,需要\(log^4_{2}=2\)位bit。因此,確定一個有n種等可能情況的事件,需要有\(log^n_{2}\)的資訊量消除不確定,即熵為\(log^n_{2}\)。
資訊熵的公式為:\(H(X)=-\Sigma^n_{i=1}p(x_i)logo(x_i)\)
相對熵(KL散度)用於衡量對於同一個隨機變數x的兩個分佈p(x)和q(x)之間的差異。在機器學習中p(x)常用於描述樣本的真實分佈,q(x)用於描述預測分佈。公式為:\(D_{KL}(p||q)=\Sigma^n_{i=1}p(x_i)log(\frac{p(x_i)}{q(x_i)})\)
交叉熵:將KL散度的公式進行變形,得\(D_{KL}(p||q)=-H(x)+[-\Sigma^n_{i=1}p(x_i)log(q(x_i))]。\)前半部分為p(x)的熵,後半部分為交叉熵。
如果是不等可能,由於各種可能性相互獨立,資訊熵就變為確定所有可能結果的平均資訊量。
交叉熵損失:\(Loss=-\Sigma y_i lny^p_{i}\) 其中\(y_i\)指的是真實的類別,p指的是predicted。
hinge loss:\(L(y,f(x))=max(0,1-yf(x))\)
常用迴歸損失:均方誤差\(MSE=\Sigma^n_{i=1}(y_i-y_i^p)^2\) 平均絕對值誤差(L1損失):\(MAE=\Sigma_{i=1}^n|y_i-y_i^p|\)
Step 3. 找到一個合適的優化函式,更新引數(反向傳播BP、隨機梯度下降SGD等)
全連線網路:當前神經元和上一層每個神經元都有連線。
全連線網路處理影象的問題:權重矩陣的引數太多導致過擬合。卷積神經網路的解決方式:區域性關聯,引數共享。
2. 基本組成結構
1. 卷積 Convolutional Layer
一維卷積經常用在訊號處理中,用於計算訊號的延遲累積。
假設一個訊號發生器在時刻t發出一個訊號\(x_t\),其資訊的衰減率為\(f_k\),即在k-1個時間步長後,資訊衰減為原來的\(f_k\)倍。
設\(f_1=1,f_2=\frac{1}{2},f_3=\frac{1}{4}\),在時刻t收到的訊號\(y_t\) 為當前時刻產生的資訊和以前時刻延遲資訊的疊加。
\(y_t=\Sigma_{k=1}^3 f_k\times x_{t-k+1}\) 此處的\(f=[f_1,f_2,f_3]\)被稱為濾波器(filter)或者卷積核(convolutional kernel)
設濾波器f長為m,它和一個訊號序列\(x=[x_1,x_2,x_3...]\)的卷積記為\(y_t=\Sigma_{k=1}^3mf_k\times x_{t-k+1}\)
卷積是什麼?卷積是對兩個實變函式的一種數學操作。影象處理中圖象是二維矩陣,因此需要二維卷積。![1 (2)](C:\Users\nuc\Desktop\1 (2).png)
其中
input:輸入
kernel/filter:卷積核/濾波器
weights:權重(卷積核內部的值)
receptive field:感受野(卷積核進行一次卷積的時候所對應的輸入的區域)
activation map 或 feature map:特徵圖
padding:在輸入兩邊補0,保證以當前步長進行卷積操作時大小能匹配。
depth/channel:深度
output:輸出
![G2@XX{[N(5QD3B[V\(DS6H20](C:\Users\nuc\Documents\Tencent Files\1514400614\FileRecv\MobileFile\Image\G2@XX{[N(5QD3B[V\)DS6H20.png)
輸出的特徵圖大小:\(\frac{N-F}{stride}+1\)(無padding)
有padding時輸出的特徵圖大小:\(\frac{N+padding\times 2-F}{stride}+1\)
深度:feature map的厚度,和filter的個數保持一致。每個filter經過一次卷積之後就會產生一個feature map
2. 池化
更像是縮放的一個過程。
Pooling:保留了主要特徵的同時減少引數和計算量,防止過擬合,提高模型泛化能力,一般處於卷積層和卷積層之間,全連線層與全連線層之間。
Pooling的型別:
Max Pooling:最大值池化
Average Pooling:平均池化
池化的filter:\(n\times n\)代表每次在多大的區域池化。步長stride含義同卷積。
![A@%H7MNZZ]O2JOM$J@4X9X](C:\Users\nuc\Documents\Tencent Files\1514400614\FileRecv\MobileFile\Image\
A@%H7MNZZ][email protected])
在分類的任務中傾向於使用最大值池化,filter的大小一般設定為\(2\times 2 or 3\times 3\),步長一般設定為2.
3. 全連線
全連線層 / FC layer:
兩層之間所有神經元都有權重連線,通常全連線層在卷積神經網路尾部,全連線層引數量通常最大。
3. 卷積神經網路典型結構
1. AlexNet
成功原因:大資料訓練(百萬級ImageNet影象資料),非線性啟用函式(ReLU),防止過擬合(Dropout,Data augmentation),其他(雙GPU)。
DropOut(隨機失活):訓練時隨即關閉部分神經元,測試時整合所有神經元。過擬合的原因:引數過多
資料增強:平移,翻轉,對稱。改變RGB通道強度。
AlexNet分層解析
第一次卷積:卷積-ReLU-池化
第二次卷積:卷積-ReLU-池化
第三次卷積:卷積-ReLU
第四次卷積:卷積-ReLU
第五次卷積:卷積-ReLU-池化
第六層:全連線-ReLU-DropOut
第七層:全連線-ReLU-DropOut
第八層:全連線-SoftMax
2. ZFNet
網路結構與AlexNet相同,將卷積層1中的感受野大小由\(11\times 11\)改為\(7\times 7\),步長由4改為2.卷積層3,4,5中的 濾波器個數由384,384,256改為512,512,1024.
3. VGG
VGG是一個更深網路。8 layers(AlexNet)-> 16-19(VGG)
4. GoogleNet
包含22個帶引數的層(加上池化層就是27層),獨立成塊的層共100個。引數量大約是AlexNet的1/12,無FC層。
初衷:多卷積核增加特徵多樣性。
V2:降維:插入\(1\times 1\)卷積核。
V3:降低引數量(小的卷積核代替大的卷積核,一個\(5\times 5\)可以用兩個\(3\times 3\)替代),增加非線性啟用函式使得網路產生更多獨立特(disentangled feature),表徵能力更強,訓練更快。
Stem部分:卷積-池化-卷積-卷積-池化
5. ResNet
殘差學習網路。
層數多了會出現網路退化的問題。
殘差:\(F(x)=H(x)-x\)
殘差學習:\(H(X)\)不可訓練,\(F(x)\)可訓練,可以通過訓練\(F(x)\)得到\(H(x)\),即為殘差學習。
ResNet是由5個stage組成(conv2_x, conv3_x, conv4_x, conv5_x),五個stage又分為若干個block,每個block又分為若干個卷積層。一套程式碼可以實現不同的層次。
Global Average Pooling(全域性平均池化):把一個通道變成一個數字(求平均值)。可以替代全連線層,更少出現過擬合。
API: torch.nn.AdaptiveAvgPool2d(output_size)
50層以上和50層以下的ResNet的區別:BottleNeck。把高維用\(1\times 1\)卷積核降維進行卷積操作,再升維。
4. 程式碼練習
1. 卷積神經網路
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import matplotlib.pyplot as plt
import numpy
# 一個函式,用來計算模型中有多少引數
def get_n_params(model):
np=0
for p in list(model.parameters()):
np += p.nelement()
return np
# 使用GPU訓練,可以在選單 "程式碼執行工具" -> "更改執行時型別" 裡進行設定
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
input_size = 28*28 # MNIST上的影象尺寸是 28x28
output_size = 10 # 類別為 0 到 9 的數字,因此為十類
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('./data', train=True, download=True,
transform=transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))])),
batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('./data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))])),
batch_size=1000, shuffle=True)
plt.figure(figsize=(8, 5))
for i in range(20):
plt.subplot(4, 5, i + 1)
image, _ = train_loader.dataset.__getitem__(i)
plt.imshow(image.squeeze().numpy(),'gray')
plt.axis('off');
class FC2Layer(nn.Module):
def __init__(self, input_size, n_hidden, output_size):
# nn.Module子類的函式必須在建構函式中執行父類的建構函式
# 下式等價於nn.Module.__init__(self)
super(FC2Layer, self).__init__()
self.input_size = input_size
# 這裡直接用 Sequential 就定義了網路,注意要和下面 CNN 的程式碼區分開
self.network = nn.Sequential(
nn.Linear(input_size, n_hidden),
nn.ReLU(),
nn.Linear(n_hidden, n_hidden),
nn.ReLU(),
nn.Linear(n_hidden, output_size),
nn.LogSoftmax(dim=1)
)
def forward(self, x):
# view一般出現在model類的forward函式中,用於改變輸入或輸出的形狀
# x.view(-1, self.input_size) 的意思是多維的資料展成二維
# 程式碼指定二維資料的列數為 input_size=784,行數 -1 表示我們不想算,電腦會自己計算對應的數字
# 在 DataLoader 部分,我們可以看到 batch_size 是64,所以得到 x 的行數是64
# 大家可以加一行程式碼:print(x.cpu().numpy().shape)
# 訓練過程中,就會看到 (64, 784) 的輸出,和我們的預期是一致的
# forward 函式的作用是,指定網路的執行過程,這個全連線網路可能看不啥意義,
# 下面的CNN網路可以看出 forward 的作用。
x = x.view(-1, self.input_size)
return self.network(x)
class CNN(nn.Module):
def __init__(self, input_size, n_feature, output_size):
# 執行父類的建構函式,所有的網路都要這麼寫
super(CNN, self).__init__()
# 下面是網路裡典型結構的一些定義,一般就是卷積和全連線
# 池化、ReLU一類的不用在這裡定義
self.n_feature = n_feature
self.conv1 = nn.Conv2d(in_channels=1, out_channels=n_feature,
kernel_size=5)
self.conv2 = nn.Conv2d(n_feature, n_feature, kernel_size=5)
self.fc1 = nn.Linear(n_feature*4*4, 50)
self.fc2 = nn.Linear(50, 10)
# 下面的 forward 函式,定義了網路的結構,按照一定順序,把上面構建的一些結構組織起來
# 意思就是,conv1, conv2 等等的,可以多次重用
def forward(self, x, verbose=False):
x = self.conv1(x)
x = F.relu(x)
x = F.max_pool2d(x, kernel_size=2)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, kernel_size=2)
x = x.view(-1, self.n_feature*4*4)
x = self.fc1(x)
x = F.relu(x)
x = self.fc2(x)
x = F.log_softmax(x, dim=1)
return x
# 訓練函式
def train(model):
model.train()
# 主裡從train_loader裡,64個樣本一個batch為單位提取樣本進行訓練
for batch_idx, (data, target) in enumerate(train_loader):
# 把資料送到GPU中
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 100 == 0:
print('Train: [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
def test(model):
model.eval()
test_loss = 0
correct = 0
for data, target in test_loader:
# 把資料送到GPU中
data, target = data.to(device), target.to(device)
# 把資料送入模型,得到預測結果
output = model(data)
# 計算本次batch的損失,並加到 test_loss 中
test_loss += F.nll_loss(output, target, reduction='sum').item()
# get the index of the max log-probability,最後一層輸出10個數,
# 值最大的那個即對應著分類結果,然後把分類結果儲存在 pred 裡
pred = output.data.max(1, keepdim=True)[1]
# 將 pred 與 target 相比,得到正確預測結果的數量,並加到 correct 中
# 這裡需要注意一下 view_as ,意思是把 target 變成維度和 pred 一樣的意思
correct += pred.eq(target.data.view_as(pred)).cpu().sum().item()
test_loss /= len(test_loader.dataset)
accuracy = 100. * correct / len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
accuracy))
#小型全連線網路上訓練
n_hidden = 8 # number of hidden units
model_fnn = FC2Layer(input_size, n_hidden, output_size)
model_fnn.to(device)
optimizer = optim.SGD(model_fnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_fnn)))
train(model_fnn)
test(model_fnn)
# Training settings 卷積神經網路上訓練
n_features = 6 # number of feature maps
model_cnn = CNN(input_size, n_features, output_size)
model_cnn.to(device)
optimizer = optim.SGD(model_cnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_cnn)))
train(model_cnn)
test(model_cnn)
#打亂影象畫素順序
# 這裡解釋一下 torch.randperm 函式,給定引數n,返回一個從0到n-1的隨機整數排列
perm = torch.randperm(784)
plt.figure(figsize=(8, 4))
for i in range(10):
image, _ = train_loader.dataset.__getitem__(i)
# permute pixels
image_perm = image.view(-1, 28*28).clone()
image_perm = image_perm[:, perm]
image_perm = image_perm.view(-1, 1, 28, 28)
plt.subplot(4, 5, i + 1)
plt.imshow(image.squeeze().numpy(), 'gray')
plt.axis('off')
plt.subplot(4, 5, i + 11)
plt.imshow(image_perm.squeeze().numpy(), 'gray')
plt.axis('off')
# 對每個 batch 裡的資料,打亂畫素順序的函式
def perm_pixel(data, perm):
# 轉化為二維矩陣
data_new = data.view(-1, 28*28)
# 打亂畫素順序
data_new = data_new[:, perm]
# 恢復為原來4維的 tensor
data_new = data_new.view(-1, 1, 28, 28)
return data_new
# 訓練函式
def train_perm(model, perm):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
# 畫素打亂順序
data = perm_pixel(data, perm)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 100 == 0:
print('Train: [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
# 測試函式
def test_perm(model, perm):
model.eval()
test_loss = 0
correct = 0
for data, target in test_loader:
data, target = data.to(device), target.to(device)
# 畫素打亂順序
data = perm_pixel(data, perm)
output = model(data)
test_loss += F.nll_loss(output, target, reduction='sum').item()
pred = output.data.max(1, keepdim=True)[1]
correct += pred.eq(target.data.view_as(pred)).cpu().sum().item()
test_loss /= len(test_loader.dataset)
accuracy = 100. * correct / len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
accuracy))
#全連線網路上測試
perm = torch.randperm(784)
n_hidden = 8 # number of hidden units
model_fnn = FC2Layer(input_size, n_hidden, output_size)
model_fnn.to(device)
optimizer = optim.SGD(model_fnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_fnn)))
train_perm(model_fnn, perm)
test_perm(model_fnn, perm)
#卷積神經網路上測試
perm = torch.randperm(784)
n_features = 6 # number of feature maps
model_cnn = CNN(input_size, n_features, output_size)
model_cnn.to(device)
optimizer = optim.SGD(model_cnn.parameters(), lr=0.01, momentum=0.5)
print('Number of parameters: {}'.format(get_n_params(model_cnn)))
train_perm(model_cnn, perm)
test_perm(model_cnn, perm)
打亂畫素順序後卷積神經網路就8行了。
老師的解釋是:“這是因為對於卷積神經網路,會利用畫素的區域性關係,但是打亂順序以後,這些畫素間的關係將無法得到利用。”
個人覺得求卷積操作是為了從輸入影象中提取特徵,打亂了畫素這些特徵就提取不到了。“通過使用輸入資料中的小方塊來學習影象特徵,卷積保留了畫素間的空間關係。”
2. CNN_CIFAR10
import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
# 使用GPU訓練,可以在選單 "程式碼執行工具" -> "更改執行時型別" 裡進行設定
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
# 注意下面程式碼中:訓練的 shuffle 是 True,測試的 shuffle 是 false
# 訓練時可以打亂順序增加多樣性,測試是沒有必要
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=8,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
def imshow(img):
plt.figure(figsize=(8,8))
img = img / 2 + 0.5 # 轉換到 [0,1] 之間
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# 得到一組影象
images, labels = iter(trainloader).next()
# 展示影象
imshow(torchvision.utils.make_grid(images))
# 展示第一行影象的標籤
for j in range(8):
print(classes[labels[j]])
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
# 網路放到GPU上
net = Net().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)
for epoch in range(10): # 重複多輪訓練
for i, (inputs, labels) in enumerate(trainloader):
inputs = inputs.to(device)
labels = labels.to(device)
# 優化器梯度歸零
optimizer.zero_grad()
# 正向傳播 + 反向傳播 + 優化
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 輸出統計資訊
if i % 100 == 0:
print('Epoch: %d Minibatch: %5d loss: %.3f' %(epoch + 1, i + 1, loss.item()))
print('Finished Training')
# 得到一組影象
images, labels = iter(testloader).next()
# 展示影象
imshow(torchvision.utils.make_grid(images))
# 展示影象的標籤
for j in range(8):
print(classes[labels[j]])
outputs = net(images.to(device))
_, predicted = torch.max(outputs, 1)
# 展示預測的結果
for j in range(8):
print(classes[predicted[j]])
correct = 0
total = 0
for data in testloader:
images, labels = data
images, labels = images.to(device), labels.to(device)
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
整個資料集上的準確率只有63%。
3. 使用 VGG16 對 CIFAR10 分類
import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
# 使用GPU訓練,可以在選單 "程式碼執行工具" -> "更改執行時型別" 裡進行設定
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])
transform_test = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(testset, batch_size=128, shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
class VGG(nn.Module):
def __init__(self):
super(VGG, self).__init__()
self.cfg = [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M']
self.features = self._make_layers(cfg)
self.classifier = nn.Linear(2048, 10)
def forward(self, x):
out = self.features(x)
out = out.view(out.size(0), -1)
out = self.classifier(out)
return out
def _make_layers(self, cfg):
layers = []
in_channels = 3
for x in cfg:
if x == 'M':
layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
else:
layers += [nn.Conv2d(in_channels, x, kernel_size=3, padding=1),
nn.BatchNorm2d(x),
nn.ReLU(inplace=True)]
in_channels = x
layers += [nn.AvgPool2d(kernel_size=1, stride=1)]
return nn.Sequential(*layers)
# 網路放到GPU上 這裡會報錯cfg沒有定義,很迷
###
net = VGG().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)
for epoch in range(10): # 重複多輪訓練
for i, (inputs, labels) in enumerate(trainloader):
inputs = inputs.to(device)
labels = labels.to(device)
# 優化器梯度歸零
optimizer.zero_grad()
# 正向傳播 + 反向傳播 + 優化
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 輸出統計資訊
if i % 100 == 0:
print('Epoch: %d Minibatch: %5d loss: %.3f' %(epoch + 1, i + 1, loss.item()))
print('Finished Training')
correct = 0
total = 0
for data in testloader:
images, labels = data
images, labels = images.to(device), labels.to(device)
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %.2f %%' % (
100 * correct / total))