[Pytorch] MNIST DNN 코드 작성 & 공부

from __future__ import print_function
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
 
batch_size = 64
 
train_dataset = datasets.MNIST(root='./mnist_data/',
                              train=True,
                              transform=transforms.ToTensor(),
                              download=True)
 
test_dataset = datasets.MNIST(root='./mnist_data/',
                             train=False,
                             transform=transforms.ToTensor())
'''
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
Processing...
Done!
'''
 
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                          batch_size=batch_size,
                                          shuffle=True)
 
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                         batch_size=batch_size,
                                         shuffle=False)

 

torchvision의 datasets에 있는 MNIST 데이터셋을 가져오고

DataLoader로 batch_size를 정해준다.

 

datasets.MNIST안에있는 bool형식의 train 인자 값으로 학습용, 테스트용 데이터셋을 불러읽는다

 

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = nn.Linear(784, 520)
        self.l2 = nn.Linear(520, 320)
        self.l3 = nn.Linear(320, 240)
        self.l4 = nn.Linear(240, 120)
        self.l5 = nn.Linear(120, 10)
        
    def forward(self, x):
        x = x.view(-1, 784) # (n, 1, 28, 28)인 데이터 형식을 (n, 784) 형식으로 변경
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return self.l5(x)

 

모델 생성부분

 

activation function은 ReLu 함수를 사용하였고

 

모델의 구성은

784 - 520 - 320 - 240 - 120 - 10 (노드 수)

로 되어있다.

 

reshape말고 view라는 함수를 사용하여 데이터의 차원을 변환시켰다.

 

model = Net()
 
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

 

위에서 선언한 모델 클래스를 model로 객체선언하고

 

loss 함수는 CrossEntropyLoss() 함수

optimizer 함수는 SGD를 사용하였다. (Stochastic Gradient Decent)

 

def train(epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = Variable(data), Variable(target)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
            epoch, batch_idx * len(data), len(train_loader.dataset),
            100. * batch_idx / len(train_loader), loss.data[0]))

 

학습과정이 담긴 함수를 보면

optimizer는 zero_grad라는 함수를 써서 최적화를 하고

loss.backward로 w 수치를 조정해주는거같다

 

이두개는 거의 항상 같은 패턴인듯

 

def test():
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data, target = Variable(data, volatile=True), Variable(target)
        output = model(data)
        
        test_loss += criterion(output, target).data[0]
        
        pred = output.data.max(1, keepdim=True)[1]
        correct += pred.eq(target.data.view_as(pred)).cpu().sum()
    
    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
    test_loss, correct, len(test_loader.dataset),
    100. * correct / len(test_loader.dataset)))

 

검증단계 함수

 

for epoch in range(1, 10):
    train(epoch)
    test()

로 MNIST DNN 모델을 돌려볼수가 있다.

 

 

[참조 1]: https://github.com/hunkim/PyTorchZeroToAll

[참조 2]: https://github.com/jaeyung1001/

[개인 깃허브링크, 현재 jupyter로 작성중]