代码：

# 1 加载必要的库
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets ,transforms# 2 定义超参数
BATCH_SIZE = 64 #每批处理的数据
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu") #用gpu还是cpu计算
# DEVICE = torch.device("cpu")
EPOCHS = 10 #训练数据集的轮次# 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])# 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)# 插入代码，显示MNIST中的图片
with open("./data/MNIST/raw/train-images-idx3-ubyte", "rb") as f:file = f.read()f.close()image1 = [int(str(item).encode("ascii"), 16) for item in file[16 : 16 + 784]]
print(image1)# 保存图片
import cv2 as cv
import numpy as npimage1_np = np.array(image1, dtype=np.uint8).reshape(28, 28, 1)
print(image1_np.shape)cv.imwrite("digit.jpg", image1_np)# 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) #1 0:输入通道， 20：输出通道， 3：kernelself.fc1 = nn.Linear(20*10*10, 500) # 20*20*10:输入通道， 500：输出通道self.fc2 = nn.Linear(500, 10) # 500：输入通道， 10：输出通道def forward(self, x):input_size = x.size(0) # batch_sizex = self.conv1(x) # 输入：batch*1*28*28, 输出：batch*10*24*24 (25 -5 +1 = 24)x = F.relu(x) # 激活函数x = 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) # 激活函数x = x.view(input_size, -1) # 拉平(一列)x = 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return output# 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):#模型训练model.train()for batch_index, (data, traget) in enumerate(train_loader):#部署到DEVICE上去data, traget = data.to(device), traget.to(device)# 梯度初始化为0optimizer.zero_grad()# 训练后的结果output = model(data)# 计算损失loss = F.cross_entropy(output, traget)#反向传播loss.backward()# 参数优化optimizer.step()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):#模型验证model.eval()#正确率correct = 0.0#测试损失test_loss = 0.0with torch.no_grad(): # 不会计算梯度，也不会进行反向传播for data, target in test_loader:# 部署到device上data, target = data.to(device), target.to(device)# 测试数据output = model(data)# 计算测试损失test_loss += F.cross_entropy(output, target).item()# 找到概率值最大的下标pred = output.max(1, keepdim=True)[1] # 返回 (值， 索引)#pred = torch.max(output, dim=1)#pred = output.argmax(dim=1)# 累计正确的值correct += pred.eq(target.view_as(pred)).sum().item()test_loss /= len(test_loader.dataset)print("Test -- Average loss : {:.4f}, Accuracy : {:.3f}\n".format(test_loss, 100.0 * correct / len(test_loader.dataset))) # 9 gpu调用方法 7 、 8
import time
t1 = time.time()
for epoch in range(1, EPOCHS + 1):train_model(model, DEVICE, train_loader, optimizer, epoch)test_model(model, DEVICE, test_loader)
t2 = time.time()

输出结果：

计算调用GPU后训练模型所用时间：

# 计算时长
spend_time = t2 - t1 if torch.cuda.is_available() == True:print("调用GPU累计计算时长：{}".format(spend_time))
else:print("调用CPU累计计算时长：{}".format(spend_time))

结果：

PyTorch MNIST手写字体识别相关推荐

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 ...
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 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 MNIST 手写数字识别 + 使用自己的测试集 + 数据增强后再训练
文章目录 1. MNIST 手写数字识别 2. 聚焦数据集扩充后的模型训练 3. pytorch 手写数字识别基本实现 3.1完整代码及 MNIST 测试集测试结果 3.1.1代码 3.1.2 MNI ...
pytorch应用于MNIST手写字体识别
前言手写字体MNIST数据集是一组常见的图像,其常用于测评和比较机器学习算法的性能,本文使用pytorch框架来实现对该数据集的识别,并对结果进行逐步的优化. 一.数据集 MNIST数据集是由28x ...
linux手写数字识别,OpenCV 3.0中的SVM训练 mnist 手写字体识别
前言: SVM(支持向量机)一种训练分类器的学习方法 mnist 是一个手写字体图像数据库,训练样本有60000个,测试样本有10000个 LibSVM 一个常用的SVM框架 OpenCV3.0 中的 ...
TensorFlow | 使用Tensorflow带你实现MNIST手写字体识别
github:https://github.com/MichaelBeechan CSDN:https://blog.csdn.net/u011344545 涉及代码:https://github.c ...
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 ...
(二)Tensorflow搭建卷积神经网络实现MNIST手写字体识别及预测
1 搭建卷积神经网络 1.0 网络结构图1.0 卷积网络结构 1.2 网络分析序号网络层描述 1 卷积层一张原始图像(28, 28, 1),batch=1,经过卷积处理,得到图像特征(28, ...

PyTorch MNIST手写字体识别

代码：

输出结果：

计算调用GPU后训练模型所用时间：

结果：

PyTorch MNIST手写字体识别相关推荐

最新文章

热门文章