Basic CNN

传送门：https://www.bilibili.com/video/BV1Y7411d7Ys?p=10

模型框架：

代码

import torch
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision import datasets
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt#1.prepare dataset
#2.design model using class
#3.construct loss and optimizer
#4.training cycle+test#1.准备数据集batch_size = 64
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307, ), (0.3081, ))#均值，标准化
])
train_dataset = datasets.MNIST(root='./dataset/mnist',train=True,transform=transform,download=True)
print(train_dataset[0])
test_dataset = datasets.MNIST(root='./dataset/mnist',train=False,transform=transform,download=True)train_loader = DataLoader(dataset=train_dataset,batch_size=32,shuffle=True)
test_loader = DataLoader(dataset=test_dataset,batch_size=32,shuffle=False)# ---------------------------卷积模型---------------------------
class Net(torch.nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)self.pooling = torch.nn.MaxPool2d(kernel_size=2, stride=2)self.fc = torch.nn.Linear(40, 20)def forward(self, x):batch_size = x.size(0)x = F.relu(self.pooling(self.conv1(x)))x = F.relu(self.pooling(self.conv2(x)))x = x.view(batch_size, -1)x = self.fc(x)return xmodel = Net()
# 开启显卡
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)#3.构建loss和optimzer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)#4.循环
def train(epoch):running_loss = 0.0for batch_idx, (inputs, target) in enumerate(train_loader):inputs, target = inputs.to(device), target.to(device) #显卡加速optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, target)loss.backward()optimizer.step()running_loss += loss.item()if batch_idx % 300 == 299:print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))running_loss = 0.0def test():correct = 0total = 0with torch.no_grad():for data in test_loader:images, labels = dataoutputs = model(images)_, predicted = torch.max(outputs.data, dim=1)total += labels.size(0)correct += (predicted == labels).sum().item()print('Accuracy on test set: %d %%' % (100*correct / total))return correct / totalif __name__ == '__main__':epoch_list = []acc_list = []for epoch in range(10):train(epoch)acc = test()epoch_list.append(epoch)acc_list.append(acc)# if epoch % 10 == 9:#     test()import osos.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'plt.plot(epoch_list, acc_list)plt.xlabel('epoch')plt.ylabel('accuracy')plt.show()

对于图像的处理，线性模型显然会丢失掉图像之间的关系和联系，卷积神经网络有较好的提升，但网络过于简单会使得图像学习的效果较少，改进的网络/课后习题：

https://blog.csdn.net/frighting_ing/article/details/120773888?spm=1001.2014.3001.5501

《PyTorch深度学习实战》第十讲相关推荐

深度学习实战（十）：使用 PyTorch 进行 3D 医学图像分割
深度学习实战(十):使用 PyTorch 进行 3D 医学图像分割 1. 项目简介 2. 3D医学图像分割的需求 3. 医学图像和MRI 4. 三维医学图像表示 5. 3D-Unet模型 5.1损失函 ...
实战例子_Pytorch官方力荐新书《Pytorch深度学习实战指南》pdf及代码分享
PyTorch是目前非常流行的机器学习.深度学习算法运算框架.它可以充分利用GPU进行加速,可以快速的处理复杂的深度学习模型,并且具有很好的扩展性,可以轻松扩展到分布式系统.PyTorch与Pytho ...
Pytorch 深度学习实战教程（二）：UNet语义分割网络
本文 GitHub https://github.com/Jack-Cherish/PythonPark 已收录,有技术干货文章,整理的学习资料,一线大厂面试经验分享等,欢迎 Star 和完善. 一 ...
Pytorch深度学习实战教程（二）：UNet语义分割网络
1 前言本文属于Pytorch深度学习语义分割系列教程. 该系列文章的内容有: Pytorch的基本使用语义分割算法讲解如果不了解语义分割原理以及开发环境的搭建,请看该系列教程的上一篇文章< ...
PyTorch 深度学习实践第13讲
PyTorch 深度学习实践第13讲引言代码结果引言近期学习了B站刘二大人的PyTorch深度学习实践,传送门PyTorch 深度学习实践--循环神经网络(高级篇),感觉受益匪浅,发现网 ...
pytorch深度学习实战——预训练网络
来源:<Pytorch深度学习实战>,2.1,一个识别图像主体的预训练网络 from torchvision import models from torchvision import t ...
PyTorch深度学习实战（5）——计算机视觉基础
PyTorch深度学习实战(5)--计算机视觉基础 0. 前言 1. 图像表示 2. 将图像转换为结构化数组 2.1 灰度图像表示 2.2 彩色图像表示 3 利用神经网络进行图像分析的优势小结系列 ...
PyTorch深度学习实战：从新手小白到数据科学家电子书
作者:张敏著出版社:电子工业出版社 ISBN:9787121388293 出版时间:2020-08-01 PyTorch深度学习实战:从新手小白到数据科学家
Pytorch深度学习实战教程：UNet语义分割网络
1 前言本文属于Pytorch深度学习语义分割系列教程. 该系列文章的内容有: Pytorch的基本使用语义分割算法讲解本文的开发环境如下: 开发环境:Windows 开发语言:Python3. ...
PyTorch 深度学习实践第4讲
第4讲反向传播back propagation 源代码 B站刘二大人 ,传送门PyTroch 深度学习实践--反向传播如果需安装PyTorch,传送门 PyTorch深度学习快速入门教程传送 ...

《PyTorch深度学习实战》第十讲

Basic CNN

传送门：https://www.bilibili.com/video/BV1Y7411d7Ys?p=10

模型框架：

代码

对于图像的处理，线性模型显然会丢失掉图像之间的关系和联系，卷积神经网络有较好的提升，但网络过于简单会使得图像学习的效果较少，改进的网络/课后习题：

《PyTorch深度学习实战》第十讲相关推荐

最新文章

热门文章