使用 pytorch 和 sklearn 对 MNIST 数据集进行交叉验证

Question

我是pytorch的新手，正在尝试实现一个前馈神经网络来对mnist数据集进行分类。我在尝试使用交叉验证时遇到了一些问题。我的数据具有以下形状： x_train: torch.Size([45000, 784]) 和 y_train: torch.Size([45000])

我尝试使用 sklearn 中的 KFold。

kfold =KFold(n_splits=10)

这是我的训练方法的第一部分，我将数据分成多个部分：

for  train_index, test_index in kfold.split(x_train, y_train): 
        x_train_fold = x_train[train_index]
        x_test_fold = x_test[test_index]
        y_train_fold = y_train[train_index]
        y_test_fold = y_test[test_index]
        print(x_train_fold.shape)
        for epoch in range(epochs):
         ...

y_train_fold 变量的索引是正确的，它很简单： [ 0 1 2 ... 4497 4498 4499]，但不是 x_train_fold，而是 [ 4500 4501 4502 ... 44997 44998 44999]。测试折叠也是如此。

对于第一次迭代，我希望变量 x_train_fold 成为前 4500 张图片，换句话说，具有 torch.Size([4500, 784]) 的形状，但它具有 torch.Size([40500, 784])[= 的形状23=]

关于如何做到这一点的任何提示？

Answer 1

你弄乱了索引。

x_train = x[train_index]
x_test = x[test_index]
y_train = y[train_index]
y_test = y[test_index]

    x_fold = x_train[train_index]
    y_fold = y_train[test_index]

应该是：

x_fold = x_train[train_index]
y_fold = y_train[train_index]

Answer 2

我觉得你很困惑！

暂时忽略第二个维度，当你有45000个点时，你使用10折交叉验证，每折的大小是多少？ 45000/10 即 4500。

这意味着您的每个折叠将包含 4500 个数据点，其中一个将用于测试，其余用于训练，即

For testing: one fold => 4500 data points => size: 4500
For training: remaining folds => 45000-4500 data points => size: 45000-4500=40500

因此，对于第一次迭代，前4500个数据点（对应于索引）将用于测试，其余用于训练。 （检查下图）

鉴于您的数据是 x_train: torch.Size([45000, 784]) 和 y_train: torch.Size([45000])，您的代码应该如下所示：

for train_index, test_index in kfold.split(x_train, y_train):  
    print(train_index, test_index)

    x_train_fold = x_train[train_index] 
    y_train_fold = y_train[train_index] 
    x_test_fold = x_train[test_index] 
    y_test_fold = y_train[test_index] 

    print(x_train_fold.shape, y_train_fold.shape) 
    print(x_test_fold.shape, y_test_fold.shape) 
    break 

[ 4500  4501  4502 ... 44997 44998 44999] [   0    1    2 ... 4497 4498 4499]
torch.Size([40500, 784]) torch.Size([40500])
torch.Size([4500, 784]) torch.Size([4500])

所以，当你说

I want the variable x_train_fold to be the first 4500 picture... shape torch.Size([4500, 784]).

你错了。这个大小对应于 x_test_fold。在第一次迭代中，基于 10 次折叠，x_train_fold 将有 40500 个点，因此它的大小应该是 torch.Size([40500, 784]).

Answer 3

我觉得我现在已经有了，但我觉得代码有点乱，有 3 个嵌套循环。有没有更简单的方法或者这个方法可以吗？

这是我的交叉验证训练代码：

def train(network, epochs, save_Model = False):
    total_acc = 0
    for fold, (train_index, test_index) in enumerate(kfold.split(x_train, y_train)):
        ### Dividing data into folds
        x_train_fold = x_train[train_index]
        x_test_fold = x_train[test_index]
        y_train_fold = y_train[train_index]
        y_test_fold = y_train[test_index]

        train = torch.utils.data.TensorDataset(x_train_fold, y_train_fold)
        test = torch.utils.data.TensorDataset(x_test_fold, y_test_fold)
        train_loader = torch.utils.data.DataLoader(train, batch_size = batch_size, shuffle = False)
        test_loader = torch.utils.data.DataLoader(test, batch_size = batch_size, shuffle = False)

        for epoch in range(epochs):
            print('\nEpoch {} / {} \nFold number {} / {}'.format(epoch + 1, epochs, fold + 1 , kfold.get_n_splits()))
            correct = 0
            network.train()
            for batch_index, (x_batch, y_batch) in enumerate(train_loader):
                optimizer.zero_grad()
                out = network(x_batch)
                loss = loss_f(out, y_batch)
                loss.backward()
                optimizer.step()
                pred = torch.max(out.data, dim=1)[1]
                correct += (pred == y_batch).sum()
                if (batch_index + 1) % 32 == 0:
                    print('[{}/{} ({:.0f}%)]\tLoss: {:.6f}\t Accuracy:{:.3f}%'.format(
                        (batch_index + 1)*len(x_batch), len(train_loader.dataset),
                        100.*batch_index / len(train_loader), loss.data, float(correct*100) / float(batch_size*(batch_index+1))))
        total_acc += float(correct*100) / float(batch_size*(batch_index+1))
    total_acc = (total_acc / kfold.get_n_splits())
    print('\n\nTotal accuracy cross validation: {:.3f}%'.format(total_acc))

Answer 4

尽管以上所有答案都提供了如何拆分数据集的很好示例，但我对实现 K 折交叉验证的方法感到好奇。 K-fold 旨在评估机器学习模型对未见数据的技能。使用有限的样本来估计模型在用于对模型训练期间未使用的数据进行预测时的总体表现。（参见维基百科中的概念和解释https://en.wikipedia.org/wiki/Cross-validation_(statistics)）因此，有必要在每次折叠开始时初始化待训练模型的参数。否则，你的模型将在 K 折后看到数据集中的每个样本，并且没有验证（所有都是训练样本）。

使用 pytorch 和 sklearn 对 MNIST 数据集进行交叉验证

Cross validation for MNIST dataset with pytorch and sklearn

scikit-learn

pytorch

cross-validation

mnist

k-fold