PyTorch手写字体识别MNIST

手写字体识别MNIST

1.准备工作

可以看这个老师的视频进行学习，讲解的非常仔细：视频学习

2.项目代码

2.1 导入模块

# 1.加载相关库
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets,transforms

2.2 定义超参数
每批处理数据为16，训练轮数为10

# 2.定义超参数
BATCH_SIZE=16  #每批处理的数据
DEVICE=torch.device("cuda" if torch.cuda.is_available() else "cpu")  #是否用GPU还是CPU训练
EPOCHS=10  #训练数据集的轮次

2.3 构建pipeline，对图像做处理

# 3.构建pipeline，对图像做处理
pipeline=transforms.Compose([transforms.ToTensor(),#将图片转换成tensortransforms.Normalize((0.1307,),(0.3081))  #正则化：降低模型复杂度
])

2.4 下载、加载数据集（需要联网）
如图所示：

# 4.下载、加载数据集
from torch.utils.data import DataLoader# 下载数据集
train_set=datasets.MNIST("data",train=True,download=True,transform=pipeline)test_set=datasets.MNIST("data",train=False,download=True,transform=pipeline)# 加载数据
train_loader=DataLoader(train_set,batch_size=BATCH_SIZE,shuffle=True)test_loader=DataLoader(test_set,batch_size=BATCH_SIZE,shuffle=True)

2.5 构建网络模型（两层）

# 5.构建网络模型
class Digit(nn.Module):def __init__(self):super().__init__()self.conv1=nn.Conv2d(1,10,5)  #1：灰度图片的通道 10：输出通道  5：kernelself.conv2=nn.Conv2d(10,20,3)  #10:输入通道  20：输出通道  3：kernelself.fc1=nn.Linear(20*10*10,500)   #20*10*10：输入通道 500：输出通道self.fc2=nn.Linear(500,10)  #输入通道 10:输出通道def forward(self,x):input_size=x.size(0)  #atch_size*1*28*28 只取batch_sizex=self.conv1(x)  #输入：batch*1*28*28  输出：batch*10*24*24 （28-5+1=24）x=F.relu(x)  #保持shape不变，输出：batch*10*24*24x=F.max_pool2d(x,2,2)  #输入：batch*10*24*24  输出：batch*10*12*12x=self.conv2(x)  #输入：batch*10*12*12 输出：batch*20*10*10 （12-3+1=10）x=F.relu(x)x=x.view(input_size,-1)  #拉平，-1 自动计算维度  20*10*10=2000x=self.fc1(x)  #输入：batch*2000  输出：batch*500x=F.relu(x)  #保持shape不变x=self.fc2(x)  #输入：batch*500 输出：batch*10output=F.log_softmax(x,dim=1)  #计算分类后，每个数字的概率值,那个数字的概率最大那么就输出数字几return  output

2.6 定义优化器，训练方法和测试方法

# 6.定义优化器
model=Digit().to(DEVICE)optimizer=optim.Adam(model.parameters())# 7.定义训练方法
def train_model(model,device,train_loader,optimizer,epoch):model.train()  #模型训练for batch_index,(data,target) in enumerate(train_loader):data,target=data.to(device),target.to(device)  #部署到DEVICE上去optimizer.zero_grad()  #梯度初始化为0output=model(data) #训练后的结果loss=F.cross_entropy(output,target)  #计算损失
#         pred=output.max(1,keepdim=True)  #pred=output.argmax(dim=1)  #找到概率值最大的下标loss.backward()  #反向传播optimizer.step()  #参数优化if batch_index%3000==0:print("Train Epoch:{} \t Loss:{:.6f}".format(epoch,loss.item()))# 8.定义测试方法
def test_model(model,device,test_loader):model.eval()  #模型验证correct=0.0  #正确率test_loss=0.0  #测试损失with torch.no_grad():  #不会计算梯度，也不会进行反向传播for data,target in test_loader:data,target=data.to(device),target.to(device)  #部署到DEVICE上output=model(data) #测试数据test_loss+=F.cross_entropy(output,target).item()  #计算测试损失pred=output.max(1,keepdim=True)[1]  #[0]值  [1]索引  找到概率值最大的下标
#           pred=torch.max(output,dimm=1)
#           pred=output.argmax(dim=1)correct+=pred.eq(target.view_as(pred)).sum().item()  #累计正确的值test_loss/=len(test_loader.dataset)print("Test -- Average loss:{:.4f},Accuracy:{:.3f}\n".format(test_loss,100.0*correct/len(test_loader.dataset)))

2.7 调用以上方法

# 9.调用方法
for epoch in range(1,EPOCHS+1):train_model(model,DEVICE,train_loader,optimizer,epoch)test_model(model,DEVICE,test_loader)

3 运行结果

从结果中我们看到，在Epoch 8中准确率达到了99.090，说明这个模型不错。当然，我们也可以再改进一下网络模型，还请多多指教，一起学习哈！！！

PyTorch手写字体识别MNIST相关推荐

手写字体识别 --MNIST数据集
Matlab 手写字体识别忙过这段时间后,对于上次读取的Matlab内部数据实现的识别,我回味了一番,觉得那个实在太小.所以打算把数据换成[MNIST数据集][1]. 基础思想还是相同的,使用Tre ...
pytorch实现手写字体识别(Mnist数据集)
1.加载数据集一个快速体验学习的小tip在google的云jupyter上做实验,速度快的飞起. import torch from torch.nn import Linear, ReLU imp ...
pytorch CNN手写字体识别
## """CNN手写字体识别"""import torch import torch.nn as nn from torch.autogr ...
pytorch rnn 实现手写字体识别
pytorch rnn 实现手写字体识别构建 RNN 代码加载数据使用RNN 训练和测试数据构建 RNN 代码 import torch import torch.nn as nn from ...
使用Pytorch实现手写数字识别(Mnist数据集)
目标知道如何使用Pytorch完成神经网络的构建知道Pytorch中激活函数的使用方法知道Pytorch中torchvision.transforms中常见图形处理函数的使用知道如何训练模型和 ...
人工智能入门第一课：手写字体识别及可视化项目（手写画板）（mnist）
人工智能入门第一课:手写字体识别及可视化项目(手写画板)(mnist),使用技术(Django+js+tensorflow+html+bootstrap+inspinia框架) 直接上图,项目效果 1 ...
MNIST手写字体识别入门编译过程遇到的问题及解决
MNIST手写字体识别入门编译过程遇到的问题及解决以MNIST手写字体识别作为神经网络及各种网络模型的作为练手,将遇到的问题在这里记录与交流. 激活tensorflow环境后,运行spyder或者j ...
【PyTorch学习笔记_04】--- PyTorch（开始动手操作_案例1：手写字体识别）
手写字体识别的流程定义超参数(自己定义的参数) 构建transforms, 主要是对图像做变换下载,加载数据集MNIST 构建网络模型(重要,自己定义) 定义训练方法定义测试方法开始训练模型, ...
matlab文字bp识别,MNIST手写字体识别（CNN+BP两种实现）-Matlab程序
[实例简介] MNIST手写字 Matlab程序,包含BP和CNN程序.不依赖任何库,包含MNIST数据,BP网络可达到98.3%的识别率,CNN可达到99%的识别率.CNN比较耗时,关于CNN的程序 ...

PyTorch手写字体识别MNIST

手写字体识别MNIST

PyTorch手写字体识别MNIST相关推荐

最新文章

热门文章