目录
程序流程分析图：
传播过程：
代码展示：
创建环境
使用<pip install+包名>来下载torch，torchvision包
准备数据集
设置一次训练所选取的样本数batch_sized的值为512，训练此时epochs的值为8
batch_size = 512 epochs = 8 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
下载数据集
normalize()数字归一化，转换使用的值0.1307和0.3081是mnist数据集的全局平均值和标准偏差，这里我们将它们作为给定值。model
train_loader = torch.utils.data.dataloader( datasets.mnist('data', train=true, download=true, transform=transforms.compose([. transforms.totensor(), transforms.normalize((0.1307,), (0.3081,)) ])), batch_size=batch_size, shuffle=true)
下载测试集
test_loader = torch.utils.data.dataloader( datasets.mnist('data', train=false, transform=transforms.compose([ transforms.totensor(), transforms.normalize((0.1307,), (0.3081,)) ])), batch_size=batch_size, shuffle=true)
绘制图像
我们可以使用matplotlib来绘制其中的一些图像
examples = enumerate(test_loader) batch_idx, (example_data, example_targets) = next(examples) print(example_targets) print(example_data.shape) print(example_data) import matplotlib.pyplot as plt fig = plt.figure() for i in range(6): plt.subplot(2,3,i+1) plt.tight_layout() plt.imshow(example_data[i][0], cmap='gray', interpolation='none') plt.title("ground truth: {}".format(example_targets[i])) plt.xticks([]) plt.yticks([]) plt.show()
搭建神经网络
这里我们构建全连接神经网络，我们使用三个全连接(或线性)层进行前向传播。
class linearnet(nn.module): def __init__(self): super().__init__() self.fc1 = nn.linear(784, 128) self.fc2 = nn.linear(128, 64) self.fc3 = nn.linear(64, 10) def forward(self, x): x = x.view(-1, 784) x = self.fc1(x) x = f.relu(x) x = self.fc2(x) x = f.relu(x) x = self.fc3(x) x = f.log_softmax(x, dim=1) return x
训练模型
首先，我们需要使用optimizer.zero_grad()手动将梯度设置为零，因为pytorch在默认情况下会累积梯度。然后，我们生成网络的输出(前向传递)，并计算输出与真值标签之间的负对数概率损失。现在，我们收集一组新的梯度，并使用optimizer.step()将其传播回每个网络参数。
def train(model, device, train_loader, optimizer, epoch): model.train() for batch_idx, (data, target) in enumerate(train_loader): data, target = data.to(device), target.to(device) optimizer.zero_grad() output = model(data) loss = f.nll_loss(output, target) loss.backward() optimizer.step() if (batch_idx) % 30 == 0: print('train epoch: {} [{}/{} ({:.0f}%)]tloss: {:.6f}'.format( epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader), loss.item()))
测试模型
def test(model, device, test_loader): model.eval() test_loss = 0 correct = 0 with torch.no_grad(): for data, target in test_loader: data, target = data.to(device), target.to(device) output = model(data) test_loss += f.nll_loss(output, target, reduction='sum').item() # 将一批的损失相加 pred = output.max(1, keepdim=true)[1] # 找到概率最大的下标 correct += pred.eq(target.view_as(pred)).sum().item() test_loss /= len(test_loader.dataset) print('ntest set: average loss: {:.4f}, accuracy: {}/{} ({:.0f}%)n'.format( test_loss, correct, len(test_loader.dataset), 100. * correct / len(test_loader.dataset)))
将训练次数进行循环
if __name__ == '__main__': model = linearnet() optimizer = optim.adam(model.parameters()) for epoch in range(1, epochs + 1): train(model, device, train_loader, optimizer, epoch) test(model, device, test_loader)
保存训练模型
torch.save(model, 'mnist.pth')
运行结果展示：
分享人：苏云云
到此这篇关于python实战小项目之mnist手写数字识别的文章就介绍到这了,更多相关python mnist手写数字识别内容请搜索<计算机技术网(www.ctvol.com)!!>以前的文章或继续浏览下面的相关文章希望大家以后多多支持<计算机技术网(www.ctvol.com)!!>！
需要了解更多python教程分享Python实战小项目之Mnist手写数字识别，都可以关注python教程分享栏目—计算机技术网(www.ctvol.com)!
本文来自网络收集，不代表计算机技术网立场，如涉及侵权请联系管理员删除。
ctvol管理联系方式QQ:251552304
本文章地址：https://www.ctvol.com/pythontutorial/886801.html