pytorch 入门（二） cnn 手写数字识别

import torch
import torch.nn as nn
import torchvision.datasets as normal_datasets
import torchvision.transforms as transforms
from torch.autograd import Variablenum_epochs = 1
batch_size = 100
learning_rate = 0.001# 将数据处理成Variable, 如果有GPU, 可以转成cuda形式
def get_variable(x):x = Variable(x)return x.cuda() if torch.cuda.is_available() else x# 从torchvision.datasets中加载一些常用数据集
train_dataset = normal_datasets.MNIST(root='./mnist/',                 # 数据集保存路径train=True,                      # 是否作为训练集transform=transforms.ToTensor(), # 数据如何处理, 可以自己自定义download=True)                   # 路径下没有的话, 可以下载# 见数据加载器和batch
test_dataset = normal_datasets.MNIST(root='./mnist/',train=False,transform=transforms.ToTensor())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)# 两层卷积
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()# 使用序列工具快速构建self.conv1 = nn.Sequential(nn.Conv2d(1, 16, kernel_size=5, padding=2),nn.BatchNorm2d(16),nn.ReLU(),nn.MaxPool2d(2))self.conv2 = nn.Sequential(nn.Conv2d(16, 32, kernel_size=5, padding=2),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(2))self.fc = nn.Linear(7 * 7 * 32, 10)def forward(self, x):out = self.conv1(x)out = self.conv2(out)out = out.view(out.size(0), -1)  # reshapeout = self.fc(out)return outcnn = CNN()
if torch.cuda.is_available():cnn = cnn.cuda()# 选择损失函数和优化方法
loss_func = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(cnn.parameters(), lr=learning_rate)for epoch in range(num_epochs):for i, (images, labels) in enumerate(train_loader):images = get_variable(images)labels = get_variable(labels)outputs = cnn(images)loss = loss_func(outputs, labels)optimizer.zero_grad()loss.backward()optimizer.step()if (i + 1) % 100 == 0:print('Epoch [%d/%d], Iter [%d/%d] Loss: %.4f'% (epoch + 1, num_epochs, i + 1, len(train_dataset) // batch_size, loss.data[0]))# 测试模型
cnn.eval()  # 改成测试形态, 应用场景如: dropout
correct = 0
total = 0
for images, labels in test_loader:images = get_variable(images)labels = get_variable(labels)outputs = cnn(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels.data).sum()print(' 测试 准确率: %d %%' % (100 * correct / total))# Save the Trained Model
torch.save(cnn.state_dict(), 'cnn.pkl')

pytorch 入门（二） cnn 手写数字识别相关推荐

python手写多个字母识别_一个带界面的CNN手写数字识别，使用Python（tensorflow, kivy）实现...
CNN_Handwritten_Digit_Recognizer (CNN手写数字识别) A CNN handwritten digit recognizer with graphical UI, i ...
卷积神经网络CNN 手写数字识别
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解,第一是二维图像上卷积的概念,第二是 pooling 的概念. a. 卷积关于卷积的概念和细节可以参考这里,卷积运算有两个非常重要特性, ...
CNN 手写数字识别
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解,第一是二维图像上卷积的概念,第二是 pooling 的概念. a. 卷积关于卷积的概念和细节可以参考这里,卷积运算有两个非常重要特性, ...
机器学习入门(1)---以手写数字识别为例
(部分项目代码源自<python深度学习>,吴茂贵等著,机械工业出版社.代码头有标注:部分测试代码来自pytorch官方文档,代码头有标注:部分概念图来源于github,图片下方有标注) ...
【图像识别】基于卷积神经网络CNN手写数字识别matlab代码
1 简介针对传统手写数字的随机性,无规律性等问题,为了提高手写数字识别的检测准确性,本文在研究手写数字区域特点的基础上,提出了一种新的手写数字识别检测方法.首先,对采集的手写数字图像进行预处理,由于 ...
tensorflow入门之MINIST手写数字识别
最近在学tensorflow,看了很多资料以及相关视频,有没有大佬推荐一下比较好的教程之类的,谢谢.最后还是到了官方网站去,还好有官方文档中文版,今天就结合官方文档以及之前看的教程写一篇关于MINIS ...
Pytorch CNN 手写数字识别 0-9
使用的软件是pycharm 环境是在anaconda下创的虚拟环境pytorch 整个过程大体为,在画板手写数字,用python代码实现手写数字的批量生成,定义超参数,创建数据集包括训练集和数据集,创 ...
入门学习MNIST手写数字识别
一.MNIST数据集 1.MNIST数据集简介 MNIST数据集是一个公开的数据集,相当于深度学习的hello world,用来检验一个模型/库/框架是否有效的一个评价指标. MNIST数据集是由0〜 ...
Pytorch 学习 (一)Minst手写数字识别（含特定函数解析）
目录本人目前在跟随csdn博主 "K同学啊"进行365天深度学习训练营进行学习,这是打卡内容也作为本人学习的记录. 一.准备部分三.训练模型四.正式训练五.输出 MNIS ...

pytorch 入门（二） cnn 手写数字识别

pytorch 入门（二） cnn 手写数字识别相关推荐

最新文章

热门文章