pytorch教程实现mnist手写数字识别代码示例
更新时间：2021年09月07日 14:26:09 作者：xz1308579340
这篇文章主要讲解了pytorch教程中如何实现mnist手写数字识别，文中附有详细的代码示例，test准确率98%，有需要的朋友可以借鉴参考下
1.构建网络
nn.Moudle是pytorch官方指定的编写Net模块，在init函数中添加需要使用的层，在foeword中定义网络流向。
下面详细解释各层：
conv1层：输入channel = 1 ，输出chanael = 10，滤波器5*5
maxpooling = 2*2
conv2层：输入channel = 10 ，输出chanael = 20，滤波器5*5,
dropout
maxpooling = 2*2
fc1层：输入320 个神经单元，输出50个神经单元
fc1层：输入50个神经单元 ，输出10个神经单元
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x): #x.size() = 28*28*1
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2)) #x.size() =12*12*10
x = x.view(-1, 320) #x.size() =1*320
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
return F.log_softmax(x, dim=1)
2.编写训练代码
model = Net() #调用写好的网络
if args.cuda: #如果有GPU使用CPU
model.cuda()
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum) #设置SGD随机梯度下降算法
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data), Variable(target)
optimizer.zero_grad() #梯度初始化为O
output = model(data)
loss = F.nll_loss(output, target) #简历loss function
loss.backward() #反向传播，计算梯度
optimizer.step() #更新权重
if batch_idx % args.log_interval == 0: #输出信息
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.data[0]))
3.编写测试代码
def test():
model.eval()
test_loss = 0
correct = 0
for data, target in test_loader:
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data, volatile=True), Variable(target)
output = model(data)
test_loss += F.nll_loss(output, target, size_average=False).data[0] # sum up batch loss
pred = output.data.max(1, keepdim=True)[1] # get the index of the max log-probability
correct += pred.eq(target.data.view_as(pred)).long().cpu().sum()
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)))
4.指导程序train和test
for epoch in range(1, args.epochs + 1):
train(epoch) #训练N个epoch
test() #检验在测试集上的表现
5.完整代码
# -*- coding: utf-8 -*-
from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
help='number of epochs to train (default: 10)')
parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
help='learning rate (default: 0.01)')
parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
help='SGD momentum (default: 0.5)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
args = parser.parse_args()
args.cuda = not args.no_cuda and torch.cuda.is_available()
torch.manual_seed(args.seed)
if args.cuda:
torch.cuda.manual_seed(args.seed)
kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
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=args.batch_size, shuffle=True, **kwargs)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=args.test_batch_size, shuffle=True, **kwargs)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
print (x.size())
x = F.relu(F.max_pool2d(self.conv1(x), 2))
print(x.size())
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
print(x.size())
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
return F.log_softmax(x, dim=1)
model = Net() #调用写好的网络
if args.cuda: #如果有GPU使用CPU
model.cuda()
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum) #设置SGD随机梯度下降算法
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data), Variable(target)
optimizer.zero_grad() #梯度初始化为O
output = model(data)
loss = F.nll_loss(output, target) #简历loss function
loss.backward() #反向传播，计算梯度
optimizer.step() #更新权重
if batch_idx % args.log_interval == 0: #输出信息
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.data[0]))
def test():
model.eval()
test_loss = 0
correct = 0
for data, target in test_loader:
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data, volatile=True), Variable(target)
output = model(data)
test_loss += F.nll_loss(output, target, size_average=False).data[0] # sum up batch loss
pred = output.data.max(1, keepdim=True)[1] # get the index of the max log-probability
correct += pred.eq(target.data.view_as(pred)).long().cpu().sum()
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)))
for epoch in range(1, args.epochs + 1):
train(epoch)
test()
以上就是pytorch教程实现mnist手写数字识别代码示例的详细内容，更多关于pytorch实现mnist手写数字识别的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要介绍了Python遍历列表时删除元素案例，文章围绕主题展开详细的内容介绍，具有一定的参考价值，需要的朋友可以参考一下2022-09-09
今天小编就为大家分享一篇python利用ffmpeg进行录制屏幕的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-01-01
PyCharm 作为IDE，断点调试是必须有的功能。否则，我们还真不如用纯编辑器写的快。2014-06-06
这篇文章主要为大家介绍了Python pygame项目实战英雄动画特效实现示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-08-08
这篇文章主要给大家介绍了关于利用Django-environ如何区分不同环境的相关资料，文中通过示例代码介绍的非常详细，对大家学习或者使用django具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2018-08-08
这篇文章主要介绍了python3获取url文件大小,本文通过示例代码给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下2019-09-09
这篇博客将学习如何使用霍夫圆变换在图像中找到圆圈，OpenCV使用cv2.HoughCircles()实现霍夫圆变换，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2021-07-07
这篇文章主要介绍了python3实现弹弹球小游戏，图形用户界面tkinter，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-11-11
在本篇文章里小编给大家整理的是关于python是否跨平台的相关知识点文章，有兴趣的朋友们可以参考下。2020-06-06
本文主要介绍了Pytorch中实现CPU和GPU之间的切换的两种方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-01-01
最新评论