kaggle是一個為開發商和資料科學家提供舉辦機器學習競賽、託管資料庫、編寫和分享程式碼的平臺，在這上面有非常多的好專案、好資源可供機器學習、深度學習愛好者學習之用。碰巧最近入門了一門非常的深度學習框架：pytorch（如果你對pytorch不甚瞭解，請點選這裡），所以今天我和大家一起用pytorch實現一個影象識別領域的入門專案：貓狗影象識別。

深度學習的基礎就是資料，咱們先從資料談起。此次使用的貓狗分類影象一共25000張，貓狗分別有12500張，我們先來簡單的瞅瞅都是一些什麼圖片。

我們從下載檔案裡可以看到有兩個資料夾：train和test，分別用於訓練和測試。以train為例，開啟資料夾可以看到非常多的小貓圖片，圖片名字從

0.jpg一直編碼到9999.jpg，一共有10000張圖片用於訓練。而test中的小貓只有2500張。仔細看小貓，可以發現它們姿態不一，有的站著，有的眯著眼

睛，有的甚至和其他可識別物體比如桶、人混在一起。同時，小貓們的圖片尺寸也不一致，有的是豎放的長方形，有的是橫放的長方形，但我們最終需

要是合理尺寸的正方形。小狗的圖片也類似，在這裡就不重複了。

緊接著我們瞭解一下特別適用於影象識別領域的神經網路：卷積神經網路。學習過神經網路的同學可能或多或少地聽說過卷積神經網路。這是一

種典型的多層神經網路，擅長處理影象特別是大影象的相關機器學習問題。卷積神經網路通過一系列的方法，成功地將大資料量的影象識別問題不斷

降維，最終使其能夠被訓練。CNN最早由Yann LeCun提出並應用在手寫體識別上。一個典型的CNN網路架構如下：

這是一個典型的CNN架構，由卷基層、池化層、全連線層組合而成。其中卷基層與池化層配合，組成多個卷積組，逐層提取特徵，最終完成分類。

聽到上述一連串的術語如果你有點蒙了，也別怕，因為這些複雜、抽象的技術都已經在pytorch中一一實現，我們要做的不過是正確的呼叫相關函式，

我在貼上程式碼後都會做更詳細、易懂的解釋。

import os
import shutil
import torch
import collections
from torchvision import transforms,datasets
from __future__ import print_function, division
import os
import torch
import pylab
import pandas as pd
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable
from skimage import io, transform
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms, utils

# Ignore warnings
import warnings
warnings.filterwarnings("ignore")

plt.ion()   # interactive mode
 

一個正常的CNN專案所需要的庫還是蠻多的。

import math
from PIL import Image

class Resize(object):
    """Resize the input PIL Image to the given size.

    Args:
        size (sequence or int): Desired output size. If size is a sequence like
            (h, w), output size will be matched to this. If size is an int,
            smaller edge of the image will be matched to this number.
            i.e, if height > width, then image will be rescaled to
            (size * height / width, size)
        interpolation (int, optional): Desired interpolation. Default is
            ``PIL.Image.BILINEAR``
    """

    def __init__(self, size, interpolation=Image.BILINEAR):
        # assert isinstance(size, int) or (isinstance(size, collections.Iterable) and len(size) == 2)
        self.size = size
        self.interpolation = interpolation

    def __call__(self, img):
        w,h = img.size
        
        min_edge = min(img.size)
        rate = min_edge / self.size
        
        new_w = math.ceil(w / rate)
        new_h = math.ceil(h / rate)
        
        return img.resize((new_w,new_h))

這個稱為Resize的庫用於給影象進行縮放操作，本來是不需要親自定義的，因為transforms.Resize已經實現這個功能了，但是由於目前還未知的原因，

我的庫裡沒有提供這個函式，所以我需要親自實現用來代替transforms.Resize。如果你的torch裡面已經有了這個Resize函式就不用像我這樣了。

data_transform = transforms.Compose([
    Resize(84),
    transforms.CenterCrop(84),
    transforms.ToTensor(),
    transforms.Normalize(mean = [0.5,0.5,0.5],std = [0.5,0.5,0.5])
])

train_dataset = datasets.ImageFolder(root = 'train/',transform = data_transform)
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size = 4,shuffle = True,num_workers = 4)

test_dataset = datasets.ImageFolder(root = 'test/',transform = data_transform)
test_loader = torch.utils.data.DataLoader(test_dataset,batch_size = 4,shuffle = True,num_workers = 4)

transforms是一個提供針對資料（這裡指的是影象）進行轉化的操作庫，Resize就是上上段程式碼提供的那個類，主要用於把一張圖片縮放到某個尺寸，

在這裡我們把需求暫定為要把影象縮放到84 x 84這個級別，這個就是可供調整的引數，大家為部署好專案以後可以試著修改這個引數，比如改成

200 x 200,你就發現你可以去玩一盤遊戲了~_~。CenterCrop用於從中心裁剪圖片，目標是一個長寬都為84的正方形，方便後續的計算。ToTenser()

就比較重要了，這個函式的目的就是讀取圖片畫素並且轉化為0-1的數字。Normalize作為墊底的一步也很關鍵，主要用於把圖片資料集的數值轉化為

標準差和均值都為0.5的資料集，這樣資料值就從原來的0到1轉變為-1到1。

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 * 18 * 18,800)
        self.fc2 = nn.Linear(800,120)
        self.fc3 = nn.Linear(120,2)
        
    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 * 18 * 18)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        
        return x

net = Net()

好了，最複雜的一步就是這裡了。在這裡，我們首先定義了一個Net類，它封裝了所以訓練的步驟，包括卷積、池化、啟用以及全連線操作。

__init__函式首先定義了所需要的所有函式，這些函式都會在forward中呼叫。我們從conv1說起。conv1實際上就是定義一個卷積層，3,6,5分別是

什麼意思？3代表的是輸入影象的畫素陣列的層數，一般來說就是你輸入的影象的通道數，比如這裡使用的小貓影象都是彩色影象，由R、G、B三個通

道組成，所以數值為3；6代表的是我們希望進行6次卷積，每一次卷積都能生成不同的特徵對映陣列，用於提取小貓和小狗的6種特徵。每一個特徵映

射結果最終都會被堆疊在一起形成一個影象輸出，再作為下一步的輸入；5就是過濾框架的尺寸，表示我們希望用一個5 * 5的矩陣去和影象中相同尺寸

的矩陣進行點乘再相加，形成一個值。定義好了卷基層，我們接著定義池化層。池化層所做的事說來簡單，其實就是因為大圖片生成的畫素矩陣實在太

大了，我們需要用一個合理的方法在降維的同時又不失去物體特徵，所以深度學習學者們想出了一個稱為池化的技術，說白了就是從左上角開始，每四

個元素(2 * 2)合併成一個元素，用這一個元素去代表四個元素的值，所以影象體積一下子降為原來的四分之一。再往下一行，我們又一次碰見了一個卷

基層：conv2,和conv1一樣，它的輸入也是一個多層畫素陣列，輸出也是一個多層畫素陣列，不同的是這一次完成的計算量更大了，我們看這裡面的參

數分別是6，16，5。之所以為6是因為conv1的輸出層數為6，所以這裡輸入的層數就是6；16代表conv2的輸出層數，和conv1一樣，16代表著這一次卷

積操作將會學習小貓小狗的16種對映特徵，特徵越多理論上能學習的效果就越好，大家可以嘗試一下別的值，看看效果是否真的編變好。conv2使用的

過濾框尺寸和conv1一樣，所以不再重複。最後三行程式碼都是用於定義全連線網路的，接觸過神經網路的應該就不再陌生了，主要是需要解釋一下fc1。

之前在學習的時候比較不理解的也是這一行，為什麼是16 * 18 * 18呢？16很好理解，因為最後一次卷積生成的影象矩陣的高度就是16層，那18 * 18是

怎麼來的呢？我們回過頭去看一行程式碼

transforms.CenterCrop(84)

在這行程式碼裡我們把訓練影象裁剪成一個84 * 84的正方形尺寸，所以影象最早輸入就是一個3 * 84 * 84的陣列。經過第一次5 * 5的卷積之後，

我們可以得出卷積的結果是一個6 * 80 * 80的矩陣，這裡的80就是因為我們使用了一個5 * 5的過濾框，當它從左上角第一個元素開始卷積後，

過濾框的中心是從2到78，並不是從0到79，所以結果就是一個80 * 80的影象了。經過一個池化層之後，影象尺寸的寬和高都分別縮小到原來的

1/2，所以變成40 * 40。緊接著又進行了一次卷積，和上一次一樣，長寬都減掉4，變成36 * 36，然後應用了最後一層的池化，最終尺寸就是

18 * 18。所以第一層全連線層的輸入資料的尺寸是16 * 18 * 18。三個全連線層所做的事很類似，就是不斷訓練，最後輸出一個二分類數值。

net類的forward函式表示前向計算的整個過程。forward接受一個input，返回一個網路輸出值，中間的過程就是一個呼叫init函式中定義的層的過程。

F.relu是一個啟用函式，把所有的非零值轉化成零值。此次影象識別的最後關鍵一步就是真正的迴圈訓練操作。

import torch.optim as optim

cirterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(),lr = 0.0001,momentum = 0.9)

for epoch in range(3):
    running_loss = 0.0
    
    for i,data in enumerate(train_loader,0):
        inputs,labels = data
        inputs,labels = Variable(inputs),Variable(labels)
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = cirterion(outputs,labels)
        loss.backward()
        optimizer.step()
        
        running_loss += loss.data[0]
        
        if i % 2000 == 1999:
            print('[%d %5d] loss: %.3f' % (epoch + 1,i + 1,running_loss / 2000))
            running_loss = 0.0

print('finished training!')

[1  2000] loss: 0.691
[1  4000] loss: 0.687
[2  2000] loss: 0.671
[2  4000] loss: 0.657
[3  2000] loss: 0.628
[3  4000] loss: 0.626
finished training!

在這裡我們進行了三次訓練，每次訓練都是批量獲取train_loader中的訓練資料、梯度清零、計算輸出值、計算誤差、反向傳播並修正模型。我們以每

2000次計算的平均誤差作為觀察值。可以看到每次訓練，誤差值都在不斷變小，逐漸學習如何分類影象。程式碼相對性易懂，這裡就不再贅述了。

correct = 0
total = 0

for data in test_loader:
    images,labels = data
    outputs = net(Variable(images))
    _,predicted = torch.max(outputs.data,1)
    total += labels.size(0)
    correct += (predicted == labels).sum()

print('Accuracy of the network on the 5000 test images: %d %%' % (100 * correct / total))

終於來到模型準確度驗證了，這也是開篇提到的test資料夾的用途之所在。程式到這一步時，net是一個已經訓練好的神經網路了。傳入一個

images矩陣，它會輸出相應的分類值，我們拿到這個分類值與真實值做一個比較計算，就可以獲得準確率。在我的計算機上當前準確率是66%，

在你的機器上可能值有所不同但不會相差太大。

最後我們做一個小總結。在pytorch中實現CNN其實並不複雜，理論性的底層都已經完成封裝，我們只需要呼叫正確的函式即可。當前模型中的

各個引數都沒有達到相對完美的狀態，有興趣的小夥伴可以多調整引數跑幾次，訓練結果不出意外會越來越好。另外，由於在一篇文章中既要

闡述CNN，又要貼專案程式碼會顯得沒有重點，我就沒有兩件事同時做，因為網上已經有很多很好的解釋CNN的文章了，如果看了程式碼依然是滿頭

霧水的小夥伴可以先去搜關於CNN的文章，再回過頭來看專案程式碼應該會更加清晰。第一次寫關於自己的神經網路方面的文章，如有寫得不好的

地方請大家多多見諒。