pytorch如何实现MNIST手写体识别

　　介绍

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!

<强>实验环境

1.4 pytorch Windows 10

python 3.7
cuda 10.1(我笔记本上没有可以使用cuda的显卡)

<强>实验过程

1。确定我们要加载的库

import 火炬 　　import  torch.nn  as 神经网络 　　import  torchvision  #这里面直接加载MNIST数据的方法 　　import  torchvision.transforms  as  transforms  #,将数据转为张量 　　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 (=& # 39;根源。/数据# 39;,,#,文件存储位置=True,火车, 　　,变换=transforms.ToTensor (), 　　下载=True 　　) 　　 　　时间=train_dataloader  dataloader.DataLoader(数据集=train_set洗牌=False, batch_size=100) #,数据集可以省 　　 　　& # 39;& # 39;& # 39; 　　dataloader返回(图片,标签) 　　其中， 　　图像维度:[28]batch_size 1 28日 　　标签:[batch_size],即图片对应的 　　& # 39;& # 39;& # 39; 　　 　　时间=test_set  torchvision.datasets.MNIST (=& # 39;根源。/数据,,=False,火车, 　　,变换=transforms.ToTensor (), 　　下载=True 　　) 　　 　　时间=test_dataloader  dataloader.DataLoader (test_set batch_size=100,洗牌=False), #,数据集可以省

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__(自我、in_num h_num out_num): 　　,超级(NeuralNet,自我). __init__ ()=,,self.ln1  nn.Linear (in_num h_num)=,,self.ln2  nn.Linear (h_num out_num)=,,self.relu  nn.ReLU () 　　, 　　向前,def (自我,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 　　时间=out_num  10, #,输出维度 　　时间=epochs  30, #,迭代次数 　　learning_rate  0.001=, 　　时间=USE_CUDA  torch.cuda.is_available(), #,定义是否可以使用cuda 　　 　　时间=model  NeuralNet (in_num h_num, out_num), #,初始化模型 　　时间=optimizer  optim.Adam (model.parameters (), lr=learning_rate), #,使用亚当 　　时间=loss_fn  nn.CrossEntropyLoss(), #,损失函数 　　 　　for  e 拷贝范围(时代): 　　,for 我data 拷贝列举(train_dataloader): 　　,(图片,标签)=数据=,,images  images.reshape (1、28 * 28), #, (batch_size, 784) 　　,if  USE_CUDA: 　　时间=images 才能;images.cuda(), #,使用cuda 　　时间=labels 才能;labels.cuda(), #,使用cuda 　　,,=,y_pred 模型(图像),#,预测=,,loss  loss_fn (y_pred、标签),#,计算损失 　　, 　　,optimizer.zero_grad () 　　,loss.backward () 　　,optimizer.step () 　　,=,,n  e  *小姐:+ 1 　　100年,if  n  %,,==, 0: 　　打印才能(n, & # 39;失:& # 39;,loss.item ())

训练模型的损失部分截图如下:

pytorch如何实现MNIST手写体识别

5。测试模型

with  torch.no_grad (): 　　total =, 0 　　correct =, 0 　　,for (图片,标签),拷贝test_dataloader:=,,images  images.reshape (1、28 * 28) 　　,if  USE_CUDA: 　　时间=images 才能;images.cuda () 　　时间=labels 才能;labels.cuda () 　　,,=,result 模型(图像)=,,prediction  torch.max(结果,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 ==,标签).sum () .item () 　　, 　　,print (“, accuracy  of  total {},图片:,{}%“.format(,, 100, *,正确/总数))

<强>实验结果

最终实验的正确率达到:98.22%

pytorch如何实现MNIST手写体识别

pytorch的优点

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。与谷歌的Tensorflow类似,公平的支持足以确保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

pytorch如何实现MNIST手写体识别