Pytorch 手写数字识别（MINIST 数据集训练）
CNN
前期文章我们分享了tensorflow 的手写数字识别的训练以及识别过程，有网友私信是否写一下pytorch训练识别过程，本期文章我们来分享一下pytorch的手写数字训练人工智能TensorFlow（十六）MNIST手写数字识别
说到图片识别就不得不提卷积神经网络，我们会在后期详细介绍，或者参考小编往期的文章
读懂卷积神经网络
https://tensorspace.org/
pytorch自从发布了1.0版本后，得到了广大网友的欢迎与喜爱，本期我们利用pytorch来重构tensorflow的手写数字识别的代码，本期是训练篇，识别篇我们后期分享。pytorch的安装可参考《每天一分钟，python一点通》教程，有关pytorch的知识点，也会在《每天一分钟，python一点通》专栏分享，pytorch的手写数字识别，跟tensorflow代码思路几乎一样，若你了解tensorflow的代码训练过程，本期便很容易理解了
1、导入第三方库
2、设置测试数据集与训练数据集
3、提取数据集数据
#27 使用dataloader函数从训练集数据中提取数据，每步神经网络提取50个数据来进行训练
# 31 从测试集数据中提取2000个图片数据
# 32 提取相对应的数字标签
4、定义神经网络
第一层卷积：
此结构时pytorch标准的模板结构，本神经网络一共有2层，若了解tensorflow的小伙伴可以很容易理解此神经结构，第一层，我们输入minist的数据集，minist的数据图片是一维 28*28的图片，所以第一层的输入（1，28，28），高度为1，设置输出16通道，使用5*5的卷积核对图片进行卷积运算，每步移动一格，为了避免图片尺寸变化，设置pading为2，则经过第一层卷积就输出（16，28，28）数据格式
再经过relu与maxpooling （使用2*2卷积核）数据输出（16，14，14）
第二层卷积：
第二层此代码是简化写法，函数中的参数与第一层一一对应
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（输入通道数）
out_channels=32, # n_filters（卷积核，或者输出通道数）
kernel_size=5, # filter size（卷积核大小）
stride=1, # filter movement/step（卷积部数）
padding=2, # 如果想要 con2d 出来的图片长宽没有变化, （外部边缘补0）
# padding=(kernel_size-1)/2 当 stride=1
经过第二层卷积得到（32，14，14）数据结构
再次经过relu与maxpooling （使用2*2卷积核）数据输出（32，7，7）数据结构
全连接层
最后使用nn.linear()全连接层进行数据的全连接数据结构（32*7*7,10）
10: 0--9一共10个分类
以上便是整个卷积神经网络的结构，
大致为：input-卷积-Relu-pooling-卷积-Relu-pooling-linear-output
卷积神经网络建完后，使用forward（）前向传播神经网络进行输入图片的训练
def forward(self, x):
x = self.conv1(x) # 第一层卷积
x = self.conv2(x) # 第二层卷积
x = x.view(x.size(0), -1) # 展平多维的卷积图成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全连接
return output
5、训练神经网络
pytorch的训练跟tensorflow的训练类似，我们建立loss函数，建立优化器，训练的目的是使用优化器让loss梯度下降，使loss越来越小，我们每50步查看一下神经网络的训练结果
6、测试神经网络
神经网络训练完成后，我们使用测试集的数据，进行一下神经网络的测试，看看训练的结果
7、保存神经网络
最后我们保存一下神经网络，以便后期识别数字使用
以上便是整个神经网络的手写数字识别过程，我们保存了神经网络的训练参数，后期我们会是使用训练好的参数，进行神经网络的具体图识别
从训练结果看，第一次的loss很大，精度很低，随着训练的步数增加loss也越来越小，精度也越来越大
从测试集中提取了10个数据，其预测结果完全正确
http://scs.ryerson.ca/~aharley/vis/conv/
小伙伴们可以使用在线3D可视化网站，查看CNN的结构
小编开发了小程序，可以体验不同的AI工具
微&*信搜索：启示AI科技
体验不一样的AI工具
