手写数字代码识别（pytorch）实现

数据预览：

import pandas
df=pandas.read_csv('C:\\Users\\HP\\Desktop\\mnist_train.csv',header=None)
df.head()

MNIST的每一行数据包含785个值。第一个值是图像所表示的数字，其余的784个值是图像（尺寸为28像素× 28像素）的像素值。¶

我们可以使用info()函数查看DataFrame的概况

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 60000 entries, 0 to 59999
Columns: 785 entries, 0 to 784
dtypes: int64(785)
memory usage: 359.3 MB

以上结果告诉我们，该DataFrame有60 000行。这对应60 000幅训练图像。同时，我们也可以确认每行有785个值。¶

让我们将一行像素值转换成实际图像来直观地查看一下。

我们使用通用的matplotlib库来显示图像。在下面的代码中，我们导入matplotlib库的pyplot包

完整代码：

#### 导入库
import torch
import torch.nn as nn
import pandas
import matplotlib.pyplot as plt
from torch.utils.data import Dataset #是pytorch加载和导入数据的方式
'''------------构建神经网络类------------'''
class Classifier(nn.Module):#nn.Module是所有类的父类"""分类器"""def __init__(self):#初始化pytorch父类super().__init__()#定义神经网络层self.model=nn.Sequential(nn.Linear(784,200),nn.Sigmoid(),nn.Linear(200,10),nn.Sigmoid())#创建损失函数(均方误差)self.loss_function=nn.MSELoss()#创建优化器，使用简单梯度下降self.optimiser=torch.optim.SGD(self.parameters(),lr=0.01)'''可视化'''#记录训练进展的计数器和列表self.counter=0self.progress=[]def forward(self,inputs):#直接运行模型return self.model(inputs)"""训练器"""def train(self,inputs,targets):#计算网络的输出值outputs=self.forward(inputs)#计算损失值loss=self.loss_function(outputs,targets)"""下一步是使用损失来更新网络的链接权值"""#梯度归零，反向传播，并更新权重self.optimiser.zero_grad()loss.backward()self.optimiser.step()"""可视化"""#每隔10个训练样本增加一次计数器的值，并将损失值添加进列表的末尾self.counter+=1if(self.counter%10==0):self.progress.append(loss.item())#这里使用item()的作用只是为了方便展开一个单值张量，获取里面的数字pass#每10000次训练后打印计数器的值，这样可以了解训练进展的快慢if(self.counter%10000==0):print("counter=",self.counter)pass"""将损失值绘成图"""def plot_progress(self):df=pandas.DataFrame(self.progress,columns=['loss'])df.plot(ylim=(0,1.0),figsize=(16,8),alpha=0.1,marker='.',grid=True,yticks=(0,0.25,0.5))pass
'''-------------创建MnistDataset类--------------'''
class MnistDataset(Dataset):def __init__(self,csv_file):self.data_df=pandas.read_csv(csv_file,header=None)passdef __len__(self):return len(self.data_df)def __getitem__(self,index):#目标图像（标签）label=self.data_df.iloc[index,0]target=torch.zeros((10))target[label]=1.0#图像数据，取值范围是0~255，标准化为0~1image_values=torch.FloatTensor(self.data_df.iloc[index,1:].values)/255.0#返回标签，图像数据张量以及目标张量return label, image_values, targetpass"""可视化"""def plot_image(self,index):arr=self.data_df.iloc[index,1:].values.reshape(28,28)plt.title("label = " + str(self.data_df.iloc[index,0]))plt.imshow(arr,interpolation='none',cmap='Blues')pass
#检查一下到目前为止是否一切正常
mnist_dataset=MnistDataset('C:\\Users\\HP\\Desktop\\mnist_train.csv')
#mnist_dataset.plot_image(9)
"""训练分类器"""
#创建神经网络C=Classifier()
#在MNIST数据集训练神经网络
for label, image_data_tensor, target_tensor in mnist_dataset:C.train(image_data_tensor,target_tensor)pass
# 绘制分类器损失值
C.plot_progress()
# 加载MNIST测试数据
mnist_test_dataset = MnistDataset('C:\\Users\\HP\\Desktop\\mnist_test.csv')

counter= 10000
counter= 20000
counter= 30000
counter= 40000
counter= 50000
counter= 60000

# 绘制分类器损失值
C.plot_progress()

现在我们有了一个训练后的网络，可以进行图像分类了。我们将切换到包含10 000幅图像的MNIST测试数据集。这些是我们的神经网络从来没看到过的图像。让我们用一个新的Dataset对象加载数据集

# 加载MNIST测试数据
mnist_test_dataset = MnistDataset('C:\\Users\\HP\\Desktop\\mnist_test.csv')
# 挑选一幅图像
record = 19
# 绘制图像和标签
mnist_test_dataset.plot_image(record)

让我们看看训练过的神经网络是如何判断这幅图像的。下面的代码继续使用第20幅图像并提取像素值作为image_data。我们使用forward()函数将图像传递并通过神经网络

image_data = mnist_test_dataset[record][1]
# 调用训练后的神经网络
output = C.forward(image_data)
# 绘制输出张量
pandas.DataFrame(output.detach().numpy()).plot(kind='bar',
legend=False, ylim=(0,1))

手写数字代码识别（pytorch）实现相关推荐

DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果下边两张 ...
DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果 1.10 ...
DL之DNN：利用DNN【784→50→100→10】算法对MNIST手写数字图片识别数据集进行预测、模型优化
DL之DNN:利用DNN[784→50→100→10]算法对MNIST手写数字图片识别数据集进行预测.模型优化导读目的是建立三层神经网络,进一步理解DNN内部的运作机制目录输出结果设计思路 ...
Dataset之Handwritten Digits：Handwritten Digits(手写数字图片识别)数据集简介、安装、使用方法之详细攻略
Dataset之Handwritten Digits:Handwritten Digits(手写数字图片识别)数据集简介.安装.使用方法之详细攻略目录 Handwritten Digits数据集的简 ...
TF之NN：利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别
TF之NN:利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别目录输出结果代码设计输出结果代码设计 ...
TF：基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99%
TF:基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99% 导读与Softmax回归模型相比,使用两层卷积的神经网络模型借助了卷积的威力,准确率高非常大的提升. 目录输出结果代码 ...
TF：利用是Softmax回归+GD算法实现MNIST手写数字图片识别(10000张图片测试得到的准确率为92%)
TF:利用是Softmax回归+GD算法实现MNIST手写数字图片识别(10000张图片测试得到的准确率为92%) 目录设计思路全部代码设计思路全部代码 #TF:利用是Softmax回归+GD ...
Dataset之MNIST：MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集)
Dataset之MNIST:MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集) 目录数据集下载的所有代码 1.主文件 mni ...
TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率
TF之LoR:基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率目录输出结果设计代码输出结果设计代码 #TF之LoR:基于tensorflow实现手写数字图片识别准 ...

手写数字代码识别（pytorch）实现

数据预览：

手写数字代码识别（pytorch）实现相关推荐

最新文章

热门文章