小编给大家分享一下pytorch如何实现MNIST手写体识别,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
专业成都网站建设公司,做排名好的好网站,排在同行前面,为您带来客户和效益!创新互联公司为您提供成都网站建设,五站合一网站设计制作,服务好的网站设计公司,成都网站制作、网站设计负责任的成都网站制作公司!实验环境
pytorch 1.4
Windows 10
python 3.7
cuda 10.1(我笔记本上没有可以使用cuda的显卡)
实验过程
1. 确定我们要加载的库
import torch import torch.nn as nn import torchvision #这里面直接加载MNIST数据的方法 import torchvision.transforms as transforms # 将数据转为Tensor import torch.optim as optim import torch.utils.data.dataloader as dataloader
2. 加载数据
这里使用所有数据进行训练,再使用所有数据进行测试
train_set = torchvision.datasets.MNIST( root='./data', # 文件存储位置 train=True, transform=transforms.ToTensor(), download=True ) train_dataloader = dataloader.DataLoader(dataset=train_set,shuffle=False,batch_size=100)# dataset可以省 ''' dataloader返回(images,labels) 其中, images维度:[batch_size,1,28,28] labels:[batch_size],即图片对应的 ''' test_set = torchvision.datasets.MNIST( root='./data', train=False, transform=transforms.ToTensor(), download=True ) test_dataloader = dataloader.DataLoader(test_set,batch_size=100,shuffle=False) # dataset可以省
3. 定义神经网络模型
这里使用全神经网络作为模型
class NeuralNet(nn.Module): def __init__(self,in_num,h_num,out_num): super(NeuralNet,self).__init__() self.ln1 = nn.Linear(in_num,h_num) self.ln2 = nn.Linear(h_num,out_num) self.relu = nn.ReLU() def forward(self,x): return self.ln2(self.relu(self.ln1(x)))
4. 模型训练
in_num = 784 # 输入维度 h_num = 500 # 隐藏层维度 out_num = 10 # 输出维度 epochs = 30 # 迭代次数 learning_rate = 0.001 USE_CUDA = torch.cuda.is_available() # 定义是否可以使用cuda model = NeuralNet(in_num,h_num,out_num) # 初始化模型 optimizer = optim.Adam(model.parameters(),lr=learning_rate) # 使用Adam loss_fn = nn.CrossEntropyLoss() # 损失函数 for e in range(epochs): for i,data in enumerate(train_dataloader): (images,labels) = data images = images.reshape(-1,28*28) # [batch_size,784] if USE_CUDA: images = images.cuda() # 使用cuda labels = labels.cuda() # 使用cuda y_pred = model(images) # 预测 loss = loss_fn(y_pred,labels) # 计算损失 optimizer.zero_grad() loss.backward() optimizer.step() n = e * i +1 if n % 100 == 0: print(n,'loss:',loss.item())
训练模型的loss部分截图如下:
5. 测试模型
with torch.no_grad(): total = 0 correct = 0 for (images,labels) in test_dataloader: images = images.reshape(-1,28*28) if USE_CUDA: images = images.cuda() labels = labels.cuda() result = model(images) prediction = torch.max(result, 1)[1] # 这里需要有[1],因为它返回了概率还有标签 total += labels.size(0) correct += (prediction == labels).sum().item() print("The accuracy of total {} images: {}%".format(total, 100 * correct/total))
实验结果
最终实验的正确率达到:98.22%
1.PyTorch是相当简洁且高效快速的框架;2.设计追求最少的封装;3.设计符合人类思维,它让用户尽可能地专注于实现自己的想法;4.与google的Tensorflow类似,FAIR的支持足以确保PyTorch获得持续的开发更新;5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单
以上是“pytorch如何实现MNIST手写体识别”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注创新互联成都网站设计公司行业资讯频道!
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
本文题目:pytorch如何实现MNIST手写体识别-创新互联
文章分享:/article42/iccec.html
成都网站建设公司_创新互联,为您提供星空体育app最新版本(2024已更新)、网页设计公司、网站建设、面包屑导航、做网站、微信小程序
声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联