介绍 import 火炬
import torch.nn as 神经网络
import torch.utils.data as 数据
import torchvision
import matplotlib.pyplot as plt
' EPOCH =1
BATCH_SIZE =50
LR 0.001=,
DOWNLOAD_MNIST =,真的
从网上下载数据集:
”“python
时间=train_data torchvision.datasets.MNIST (
根=啊?mnist/?=,train ,真的,
,变换=torchvision.transforms.ToTensor (),=,,download DOWNLOAD_MNIST,
)
print (train_data.train_data.size ())
print (train_data.train_labels.size ())
' ' ' plt.imshow (train_data.train_data [0] .numpy(),提出=& # 39;秋天# 39;)
plt.title(“%我,%,train_data.train_labels [0])
plt.show ()
时间=train_loader Data.DataLoader(数据集=train_data, batch_size=batch_size,洗牌=True)
test_data =, torchvision.datasets.MNIST (root=啊?mnist/,,,火车=False)
时间=test_x torch.unsqueeze (test_data.test_data,昏暗的=1).type (torch.FloatTensor) [2000]/255。
时间=test_y test_data.test_labels [2000]
class CNN (nn.Module):
自我,def __init__ ():
超级才能(CNN,,自我). __init__ ()
时间=self.conv1 才能;nn.Sequential (
,,nn.Conv2d (
,,,in_channels=1,
,,,out_channels=16,
,,,kernel_size=5,
,,,跨步=1,
,,,填充=2,
,,),
,,
,,nn.ReLU (),
,,nn.MaxPool2d (kernel_size=2),
,,)
,,
时间=self.conv2 才能;nn.Sequential (
,,nn.Conv2d(16日,32岁,5,,1,,2),
,,nn.ReLU (),
,,nn.MaxPool2d (2),
,,)
,,
self.out 才能=,nn.Linear (32 * 7 * 7, 10), #, fully connected 层,output 10类
,,
向前,def (自我,,x):
时间=x 才能;self.conv1 (x)
时间=x 才能;self.conv2 (x)
时间=x 才能;x.view (x.size (0), 1), #, flatten 从而output of conv2 用(batch_size, 32 * 7 * 7)
时间=output 才能;self.out (x)
return 才能输出
,
时间=optimizer torch.optim.Adam (cnn.parameters (),, lr=lr)
时间=loss_func nn.CrossEntropyLoss ()
,
,得到matplotlib import 厘米
试一试:得到sklearn.manifold import TSNE; HAS_SK =, True
除了:HAS_SK =, False;,打印(& # 39;Please install sklearn for layer 可视化# 39;)
def plot_with_labels (lowDWeights,,标签):
,plt.cla ()
,X, Y =, lowDWeights (:,, 0), lowDWeights (:,, 1)
,for x, y,, s 拷贝zip (x, y,,标签):
c 才能=,cm.rainbow (int (255, *, s /, 9));, plt.text(年代,x,, y,,写成backgroundcolor=c,字形大?9)
,plt.xlim (X.min (),, X.max ());, plt.ylim (Y.min (),, Y.max ());, plt.title (& # 39; Visualize last 层# 39;);,plt.show ();, plt.pause (0.01)
plt.ion ()
for epoch 拷贝范围(时代):
,for 一步,(提出,的话),拷贝列举(train_loader):
output 才能=,cnn(提出)
时间=loss 才能;loss_func的话(,,)
optimizer.zero_grad才能()
loss.backward才能()
optimizer.step才能()
,,
if 才能;step %, 50,==, 0:
,,test_output =, cnn (test_x)
,,pred_y =, torch.max (test_output, 1) [1] .data.numpy ()
,,accuracy =,浮子((==pred_y test_y.data.numpy ()) .astype (int) .sum()),/,浮子(test_y.size (0))
,,print(“时代:“,,时代,,“|,train 失:,% .4f", %, loss.data.numpy (),,
,,,,“|,test 准确性:,% .2f", %,准确性)
,,
plt.ioff ()
这篇文章给大家介绍使用pytorch怎么实现一个CNN卷积神经网络,内容非常详细,感兴趣的小伙伴们可以参考借鉴,希望对大家能有所帮助。
,,卷积神经网络是时下最为流行的一种深度学习网络,由于其具有局部感受野等特性,让其与人眼识别图像具有相似性,因此被广泛应用于图像识别中,本人是研究机械故障诊断方面的,一般利用旋转机械的振动信号作为数据。
,,,对一维信号,通常采取的方法有两种,第一,直接对其做一维卷积,第二,反映到时频图像上,这就变成了图像识别,此前一直都在利用keras搭建网络,最近学了pytroch搭建cnn的方法,进行一下代码的尝试。所用数据为经典的财政部手写字体数据集
关于使用pytorch怎么实现一个CNN卷积神经网络就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看的到。
