Kaggle竞赛——手写数字识别（Digit Recognizer）
目录
- 1. 数据集介绍
- 2. 数据分析
- 3. 数据处理与封装
- 3.1 数据集划分
- 3.2 将数据转为tensor张量
- 3.3 数据封装
- 4. 模型训练
- 4.1 定义功能函数
- 4.1 resnet18模型
- 4.3 CNN模型
- 4.4 FCNN模型
- 5. 结果分析
- 5.1 混淆矩阵
- 5.2 查看错误分类的样本
- 6. 加载最佳模型
- 7. 参考文献
本次手写数字识别使用了resnet18（比resnet50精度更好）、CNN和FCNN三种模型，精度上resnet18 > CNN > FCNN，最终提交到官网的测试集精度为0.983，排名为758（提交时间：2024年9月1日）。数据集、代码、python虚拟环境和训练后的最佳模型已打包上传到Gitee，[点击直达]。
1. 数据集介绍
竞赛使用的是 MNIST (Modified National Institute of Standards and Technology， 美国国家标准与技术研究院修改版) 手写图像数据集，其中训练集42000条，测试集28000条，每条数据有784 个像素点，即原始图像的像素为 28 * 28。训练集中的Label列表示手写数字的类别（共10个类别，0-10）。
2. 数据分析
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
train = pd.read_csv("D:/Desktop/kaggle数据集/digit-recognizer/train.csv")
test = pd.read_csv("D:/Desktop/kaggle数据集/digit-recognizer/test.csv")
train.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 42000 entries, 0 to 41999
Columns: 785 entries, label to pixel783
dtypes: int64(785)
memory usage: 251.5 MB
test.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 28000 entries, 0 to 27999
Columns: 784 entries, pixel0 to pixel783
dtypes: int64(784)
memory usage: 167.5 MB
查看空缺值
#--------------------------------------------------------------------------------------------------------------------------------#
# train_data.isnull(): 返回一个与 train_data 相同维度的布尔值数据框，其中 True 表示该位置存在缺失值，False 表示没有缺失值
# any(): 对每一列进行操作，如果某列中存在至少一个 True 那么这一列的结果就是 True；否则就是 False，结果是一个布尔类型的 Series
# describe(): 统计摘要，包括总列数、唯一值个数、最频繁出现的值（top）及其出现频率（freq）
#--------------------------------------------------------------------------------------------------------------------------------#
train.isnull().any().describe()
count 785
unique 1
top False
freq 785
dtype: object
由结果可知，仅有一个唯一值False，且出现785次，故训练集中无缺失值。
查看类别统计
sns.countplot(x=train['label']);
3. 数据处理与封装
3.1 数据集划分
将训练集划分为训练集和验证集。
# 分割特征和标签
train_labels = train["label"]
train= train.drop(labels=["label"], axis=1)
# 划分训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(train, train_labels, test_size = 0.2, random_state=41)
print("训练集大小：{}，验证集大小：{}".format(len(X_train), len(X_val)))
训练集大小：33600，验证集大小：8400
3.2 将数据转为tensor张量
dataFrame和Series类型需要先转为numpy类型，
import torch
from torch.utils.data import DataLoader, TensorDataset
X_train_tensor = torch.tensor(X_train.values, dtype = torch.float32)
y_train_tensor = torch.tensor(y_train.values)
X_val_tensor = torch.tensor(X_val.values, dtype = torch.float32)
y_val_tensor = torch.tensor(y_val.values)
test_tensor = torch.tensor(test.values, dtype = torch.float32)
3.3 数据封装
使用TensorDataset创建创建包含数据特征和数据类别的tensor数据集，再用DataLoader划分封装数据集。封装数据集时，训练集中的shuffle参数设置为True（随机打乱数据），可以防止模型学习到数据的顺序，从而提高模型的泛化能力；验证集和测试集shuffle参数设置为False，能够保证测试集预测结果的一致性和可比性。
train_tensor = TensorDataset(X_train_tensor, y_train_tensor)
train_loader = DataLoader(train_tensor, batch_size=100, shuffle=True)
val_tensor = TensorDataset(X_val_tensor, y_val_tensor)
val_loader = DataLoader(val_tensor, batch_size=100, shuffle=False)
test_loader = DataLoader(test_tensor, batch_size = 100, shuffle=False)
可视化训练集中的一张图像
plt.imshow(train.values[10].reshape(28,28), cmap='gray')
plt.axis("off")
plt.title(str(train_labels.values[10]));
4. 模型训练
4.1 定义功能函数
定义模型的训练和验证函数：
"""
模型训练函数
Params：
epoch： 训练轮次
model： 预定义模型
dataloader： 批处理数据
criterion： 损失函数（交叉熵）
optimizer： 优化器
Returns
running_loss/len(train_loader)：本轮次（遍历一遍训练集）的平均损失
sum_correct/train_num：本轮次（遍历一遍训练集）准确率
"""
def model_train(epoch, model, model_name, dataloader, criterion, optimizer):
# print("-------------------------Training-------------------------")
# 设置模型为训练模式
model.train()
running_loss = 0.0
# 训练集大小
train_num = len(X_train)
#记录遍历一轮数据集后分类正确的样本数
sum_correct = 0
for step, data in enumerate(dataloader):
images, labels = data
if model_name == 'resnet18':
#-------------------------------------------------------------------------------------------------#
# ResNet18 期望输入的形状为 [batch_size, channels, height, width]，其中 channels 为 3（RGB 图像）
# expand(): 沿指定维度扩展张量(但不复制数据，只改变视图)
#-------------------------------------------------------------------------------------------------#
images = images.view(-1, 1, 28, 28).expand(-1, 3, -1, -1)
if model_name == 'cnn':
# 自定义CNN的输入维度为 1
images = images.view(-1, 1, 28, 28)
# 模型为FCNN时无需转换
images = images.to(device)
labels = labels.to(device)
# 清除上一次迭代的梯度信息，防止梯度累积
optimizer.zero_grad()
#-------------------------------------------------------------------------------------------------#
# outputs的尺寸[每次输入的样本数（batch_size）, 类别数]
# 表示的含义：对应样本被分为某一类别的概率
#-------------------------------------------------------------------------------------------------#
outputs = model(images)
# 计算损失值
loss = criterion(outputs, labels)
#-------------------------------------------------------------------------------------------------#
# 计算损失函数相对于模型参数的梯度，并将这些梯度存储在每个参数的 .grad 属性中。
# 随后，优化器会使用这些梯度来更新模型参数，从而逐步最小化损失函数，实现模型的训练
#-------------------------------------------------------------------------------------------------#
loss.backward()
# 使用优化器 optimizer 更新模型参数
optimizer.step()
running_loss += loss.item()
#-------------------------------------------------------------------------------------------------#
# torch.max()函数返回两个值：每行的最大值和最大值的索引
# _：表示忽略了第一个返回值（每行的最大值）
# 1：寻找每行的最大值和索引
#-------------------------------------------------------------------------------------------------#
_, predicted = torch.max(outputs, 1)
#-------------------------------------------------------------------------------------------------#
# sum(): 将布尔张量转换为整数张量并对其进行求和，得到正确预测的总数。
# 布尔值 True 计算为 1，False 计算为 0。
# item(): 将单元素张量转换为 Python 标量值，便于计算
#-------------------------------------------------------------------------------------------------#
correct = (predicted == labels).sum().item()
sum_correct += correct
train_acc = correct / len(labels)
# print("[Epoch {}, step: {}] Train Loss: {:.4f}, Train Acc: {:.2f}%".format(epoch + 1, step+1, loss, train_acc*100))
# print("-------------------------Training-------------------------")
return running_loss/len(train_loader), sum_correct/train_num
"""
模型评估函数
Params：
epoch： 训练轮次
model： 预定义模型
dataloader： 批处理数据
criterion： 损失函数（交叉熵）
Returns
running_loss/len(train_loader)：本轮次（遍历一遍验证集）的平均损失
sum_correct/train_num：本轮次（遍历一遍验证集）准确率
"""
def model_validate(epoch, model, model_name, dataloader, criterion):
# print("------------------------Validating------------------------")
# 设置模型为测试模式
model.eval()
val_loss = 0.0
# 训练集大小
val_num = len(X_val)
sum_correct = 0
# 禁止梯度反传
with torch.no_grad():
for step, data in enumerate(dataloader):
images, labels = data
if model_name == 'resnet18':
#-------------------------------------------------------------------------------------------------#
# ResNet18 期望输入的形状为 [batch_size, channels, height, width]，其中 channels 为 3（RGB 图像）
# expand(): 沿指定维度扩展张量(但不复制数据，只改变视图)
#-------------------------------------------------------------------------------------------------#
images = images.view(-1, 1, 28, 28).expand(-1, 3, -1, -1)
if model_name == 'cnn':
# 自定义CNN的输入维度为 1
images = images.view(-1, 1, 28, 28)
# 模型为FCNN时无需转换
images = images.to(device)
labels = labels.to(device)
outputs = model(images)
# 计算损失值
loss = criterion(outputs, labels)
val_loss += loss.item()
#-------------------------------------------------------------------------------------------------#
# torch.max()函数返回两个值：每行的最大值和最大值的索引
# _：表示忽略了第一个返回值（每行的最大值）
# 1：寻找每行的最大值和索引
#-------------------------------------------------------------------------------------------------#
_, predicted = torch.max(outputs, 1)
correct = (predicted == labels).sum().item()
sum_correct += correct
total = len(labels)
val_acc = correct / total
# print("[Epoch {}, step: {}] Val Loss: {:.4f}, Val Acc: {:.2f}%".format(epoch + 1, step+1, loss, val_acc*100))
# print("------------------------Validating------------------------")
return val_loss/len(train_loader), sum_correct/val_num
定义模型训练与验证的综合函数：
import torch.nn as nn
import torch.optim as optim
"""
模型整体训练与验证函数
Params：
model： 预定义模型
"""
def train_val(model, model_name):
# 定义损失函数（交叉熵）和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 验证集上的最佳准确率和最佳轮次
best_val_acc = 0.0
best_epoch = 0
for epoch in range(10):
# 模型训练
train_loss, train_acc = model_train(epoch, model, model_name, train_loader, criterion, optimizer)
train_losses.append(train_loss)
train_accuracies.append(train_acc)
# 模型验证
val_loss, val_acc = model_validate(epoch, model, model_name, val_loader, criterion)
val_losses.append(val_loss)
val_accuracies.append(val_acc)
if val_acc > best_val_acc:
best_val_acc = val_acc
best_epoch = epoch + 1
torch.save(model.state_dict(), model_name+'_best_model.pth')
print("[第{}轮训练完成，训练集中 Loss：{}，Accuracy：{}]".format(epoch+1, train_loss, train_acc))
print("训练完成！最佳训练轮次：{}，该轮次验证集上的准确率：{}".format(best_epoch, best_val_acc))
定义损失值和准确率的可视化函数：
"""
可视化损失值和准确率
"""
def loss_acc_plot(train_losses, val_losses, train_accuracies, val_accuracies):
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
# 默认情况下，plt.plot 会将 train_losses 的索引作为 X 轴的值
plt.plot(train_losses, label='Train Loss')
plt.plot(val_losses, label='Validation Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(train_accuracies, label='Train Accuracy')
plt.plot(val_accuracies, label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.tight_layout()
4.1 resnet18模型
from torchvision import models
# 使用GPU训练模型（如果GPU可用的话）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 调用resnet18
resnet_model = models.resnet18()
resnet_model = resnet_model.to(device)
# 记录训练集和验证集的损失值和准确率
train_losses = []
val_losses = []
train_accuracies = []
val_accuracies = []
train_val(resnet_model, "resnet18")
[第1轮训练完成，训练集中 Loss：0.48536758923104834，Accuracy：0.9060714285714285]
[第2轮训练完成，训练集中 Loss：0.05270050720095502，Accuracy：0.985]
[第3轮训练完成，训练集中 Loss：0.02555189496238849，Accuracy：0.9938392857142857]
[第4轮训练完成，训练集中 Loss：0.015233770400560129，Accuracy：0.9965773809523809]
[第5轮训练完成，训练集中 Loss：0.007979269749263213，Accuracy：0.9988690476190476]
[第6轮训练完成，训练集中 Loss：0.005160370017706771，Accuracy：0.9996428571428572]
[第7轮训练完成，训练集中 Loss：0.0035936778385803336，Accuracy：0.9998511904761904]
[第8轮训练完成，训练集中 Loss：0.0028507261213235324，Accuracy：0.9999107142857143]
[第9轮训练完成，训练集中 Loss：0.002293311161511589，Accuracy：0.9998809523809524]
[第10轮训练完成，训练集中 Loss：0.0019566422187857653，Accuracy：0.9998511904761904]
训练完成！最佳训练轮次：6，该轮次验证集上的准确率：0.9858333333333333
可视化损失值和准确率：
loss_acc_plot(train_losses, val_losses, train_accuracies, val_accuracies)
4.3 CNN模型
定义CNN模型结构：
class CNNModel(nn.Module):
def __init__(self):
super(CNNModel, self).__init__()
# 卷积层 1
self.cnn1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5, stride=1, padding=0)
self.relu1 = nn.ReLU()
# 最大池化层 1
self.maxpool1 = nn.MaxPool2d(kernel_size=2)
# 卷积层 2
self.cnn2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=5, stride=1, padding=0)
self.relu2 = nn.ReLU()
# 最大池化层 2
self.maxpool2 = nn.MaxPool2d(kernel_size=2)
# 全连接层
self.fc1 = nn.Linear(32 * 4 * 4, 10)
def forward(self, x):
# 卷积层 1
out = self.cnn1(x)
out = self.relu1(out)
#最大池化层 1
out = self.maxpool1(out)
# 卷积层 2
out = self.cnn2(out)
out = self.relu2(out)
# 最大池化层 2
out = self.maxpool2(out)
# flatten层
out = out.view(out.size(0), -1)
# 全连接层
out = self.fc1(out)
return out
训练模型：
cnn_model = CNNModel()
cnn_model = cnn_model.to(device)
# 记录训练集和验证集的损失值和准确率
train_losses = []
val_losses = []
train_accuracies = []
val_accuracies = []
train_val(cnn_model, "cnn")
[第1轮训练完成，训练集中 Loss：1.004740373009727，Accuracy：0.8109226190476191]
[第2轮训练完成，训练集中 Loss：0.17581947764293068，Accuracy：0.945625]
[第3轮训练完成，训练集中 Loss：0.13953285299551985，Accuracy：0.9569345238095238]
[第4轮训练完成，训练集中 Loss：0.12599757561526662，Accuracy：0.9607738095238095]
[第5轮训练完成，训练集中 Loss：0.11612535938842311，Accuracy：0.9638095238095238]
[第6轮训练完成，训练集中 Loss：0.10294126443720113，Accuracy：0.9671726190476191]
[第7轮训练完成，训练集中 Loss：0.09651396153051228，Accuracy：0.9698214285714286]
[第8轮训练完成，训练集中 Loss：0.09004475945229864，Accuracy：0.9717857142857143]
[第9轮训练完成，训练集中 Loss：0.08583687311537298，Accuracy：0.9727083333333333]
[第10轮训练完成，训练集中 Loss：0.08039018868779142，Accuracy：0.9748214285714286]
训练完成！最佳训练轮次：9，该轮次验证集上的准确率：0.9721428571428572
可视化损失值和准确率：
loss_acc_plot(train_losses, val_losses, train_accuracies, val_accuracies)
4.4 FCNN模型
定义FCNN模型结构：
class FCNNModel(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super(FCNNModel, self).__init__()
# 784 --> 150
self.fc1 = nn.Linear(input_dim, hidden_dim)
# 激活函数
self.relu1 = nn.ReLU()
# 150 --> 150
self.fc2 = nn.Linear(hidden_dim, hidden_dim)
# 激活函数
self.tanh2 = nn.Tanh()
# 150 --> 150
self.fc3 = nn.Linear(hidden_dim, hidden_dim)
# 激活函数
self.elu3 = nn.ELU()
# 150 --> 10
self.fc4 = nn.Linear(hidden_dim, output_dim)
def forward(self, x):
# 784 --> 150
out = self.fc1(x)
out = self.relu1(out)
# 150 --> 150
out = self.fc2(out)
out = self.tanh2(out)
# 150 --> 150
out = self.fc3(out)
out = self.elu3(out)
# 150 --> 10
out = self.fc4(out)
return out
模型训练：
# 记录训练集和验证集的损失值和准确率
train_losses = []
val_losses = []
train_accuracies = []
val_accuracies = []
input_dim = 28*28
# 可微调
hidden_dim = 150
output_dim = 10
fcnn_model = FCNNModel(input_dim, hidden_dim, output_dim)
fcnn_model = fcnn_model.to(device)
train_val(fcnn_model, "fcnn")
[第1轮训练完成，训练集中 Loss：0.8977700323753414，Accuracy：0.7811904761904762]
[第2轮训练完成，训练集中 Loss：0.3077347204089165，Accuracy：0.9172916666666666]
[第3轮训练完成，训练集中 Loss：0.2244828560034789，Accuracy：0.9372619047619047]
[第4轮训练完成，训练集中 Loss：0.18338089338725522，Accuracy：0.9476488095238095]
[第5轮训练完成，训练集中 Loss：0.15651956990006424，Accuracy：0.9541071428571428]
[第6轮训练完成，训练集中 Loss：0.1355396158483234，Accuracy：0.9603869047619048]
[第7轮训练完成，训练集中 Loss：0.11753073033122789，Accuracy：0.965625]
[第8轮训练完成，训练集中 Loss：0.10319345946135443，Accuracy：0.9705059523809524]
[第9轮训练完成，训练集中 Loss：0.09024346410296857，Accuracy：0.974047619047619]
[第10轮训练完成，训练集中 Loss：0.07875394061695606，Accuracy：0.9776785714285714]
训练完成！最佳训练轮次：10，该轮次验证集上的准确率：0.963452380952381
可视化损失值和准确率：
loss_acc_plot(train_losses, val_losses, train_accuracies, val_accuracies)
5. 结果分析
5.1 混淆矩阵
计算混淆矩阵，
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(all_labels, all_predictions)
plt.figure(figsize=(5, 5))
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", cbar=False,
xticklabels=range(10), yticklabels=range(10))
plt.xlabel("Predicted Label")
plt.ylabel("True Label")
plt.title("Confusion Matrix");
横轴为预测类别，纵轴为实际类别。对标线上的值表示模型正确预测的样本数量，非对角线上的值表示模型错误预测的样本数量。对角线(1, 1)中的值900表示实际类别为1的样本中有900条被正确预测为1；(1, 4)中的值为1表示实际类别为1的样本中有1个样本被错误预测为4。
5.2 查看错误分类的样本
incorrect_images = []
incorrect_labels = []
predicted_labels = []
with torch.no_grad():
for step, data in enumerate(val_loader):
images, labels = data
images = images.view(-1, 1, 28, 28)
outputs = best_resnet_model(images.expand(-1, 3, -1, -1))
_, predicted = torch.max(outputs, 1)
for i in range(len(predicted)):
if predicted[i] != labels[i]:
incorrect_images.append(images[i])
incorrect_labels.append(labels[i])
predicted_labels.append(predicted[i])
# 展示部分预测错误的样本
num_samples = 6
fig, axes = plt.subplots(nrows=2, ncols=num_samples // 2, figsize=(10, 6))
axes = axes.flatten()
for i in range(num_samples):
ax = axes[i]
img = incorrect_images[i].reshape(28,28)
ax.imshow(img, cmap='gray')
ax.set_title(f"True: {incorrect_labels[i]}, Pred: {predicted_labels[i]}")
ax.axis('off')
6. 加载最佳模型
保存的最佳模型中，resnet18、CNN和FCNN在验证集中的准确率分别为98.58%、97.21%和96.35%，因此选择resnet18模型来预测测试集。
best_model = models.resnet18()
best_model.load_state_dict(torch.load("./resnet18_best_model.pth"))
predictions = []
with torch.no_grad():
for data in test_loader:
images = data.view(-1, 1, 28, 28).expand(-1, 3, -1, -1)
outputs = best_model(images)
_, predicted = torch.max(outputs, 1)
predictions.extend(predicted.numpy())
# 保存预测结果
submission = pd.DataFrame({'ImageId': range(1, len(test) + 1), 'Label': predictions})
# submission.to_csv('/kaggle/working/submission.csv', index=False)
print('Submission file created!')
7. 参考文献
[1] kaggle：Digit Recognizer《手写数字识别》你的第一个图像识别竞赛项目
[2] Pytorch Tutorial for Deep Learning Lovers