詳解PyTorch手寫數(shù)字識(shí)別(MNIST數(shù)據(jù)集)
MNIST 手寫數(shù)字識(shí)別是一個(gè)比較簡單的入門項(xiàng)目,相當(dāng)于深度學(xué)習(xí)中的 Hello World,可以讓我們快速了解構(gòu)建神經(jīng)網(wǎng)絡(luò)的大致過程。雖然網(wǎng)上的案例比較多,但還是要自己實(shí)現(xiàn)一遍。代碼采用 PyTorch 1.0 編寫并運(yùn)行。
導(dǎo)入相關(guān)庫
import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms import torchvision from torch.autograd import Variable from torch.utils.data import DataLoader import cv2
torchvision 用于下載并導(dǎo)入數(shù)據(jù)集
cv2 用于展示數(shù)據(jù)的圖像
獲取訓(xùn)練集和測試集
# 下載訓(xùn)練集 train_dataset = datasets.MNIST(root='./num/', train=True, transform=transforms.ToTensor(), download=True) # 下載測試集 test_dataset = datasets.MNIST(root='./num/', train=False, transform=transforms.ToTensor(), download=True)
root 用于指定數(shù)據(jù)集在下載之后的存放路徑
transform 用于指定導(dǎo)入數(shù)據(jù)集需要對(duì)數(shù)據(jù)進(jìn)行那種變化操作
train是指定在數(shù)據(jù)集下載完成后需要載入的那部分?jǐn)?shù)據(jù),設(shè)置為 True 則說明載入的是該數(shù)據(jù)集的訓(xùn)練集部分,設(shè)置為 False 則說明載入的是該數(shù)據(jù)集的測試集部分
download 為 True 表示數(shù)據(jù)集需要程序自動(dòng)幫你下載
這樣設(shè)置并運(yùn)行后,就會(huì)在指定路徑中下載 MNIST 數(shù)據(jù)集,之后就可以使用了。
數(shù)據(jù)裝載和預(yù)覽
# dataset 參數(shù)用于指定我們載入的數(shù)據(jù)集名稱 # batch_size參數(shù)設(shè)置了每個(gè)包中的圖片數(shù)據(jù)個(gè)數(shù) # 在裝載的過程會(huì)將數(shù)據(jù)隨機(jī)打亂順序并進(jìn)打包 # 裝載訓(xùn)練集 train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) # 裝載測試集 test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=True)
在裝載完成后,可以選取其中一個(gè)批次的數(shù)據(jù)進(jìn)行預(yù)覽:
images, labels = next(iter(data_loader_train)) img = torchvision.utils.make_grid(images) img = img.numpy().transpose(1, 2, 0) std = [0.5, 0.5, 0.5] mean = [0.5, 0.5, 0.5] img = img * std + mean print(labels) cv2.imshow('win', img) key_pressed = cv2.waitKey(0)
在以上代碼中使用了 iter 和 next 來獲取取一個(gè)批次的圖片數(shù)據(jù)和其對(duì)應(yīng)的圖片標(biāo)簽,然后使用 torchvision.utils 中的 make_grid 類方法將一個(gè)批次的圖片構(gòu)造成網(wǎng)格模式。
預(yù)覽圖片如下:
并且打印出了圖片相對(duì)應(yīng)的數(shù)字:
搭建神經(jīng)網(wǎng)絡(luò)
# 卷積層使用 torch.nn.Conv2d # 激活層使用 torch.nn.ReLU # 池化層使用 torch.nn.MaxPool2d # 全連接層使用 torch.nn.Linear class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__() self.conv1 = nn.Sequential(nn.Conv2d(1, 6, 3, 1, 2), nn.ReLU(), nn.MaxPool2d(2, 2)) self.conv2 = nn.Sequential(nn.Conv2d(6, 16, 5), nn.ReLU(), nn.MaxPool2d(2, 2)) self.fc1 = nn.Sequential(nn.Linear(16 * 5 * 5, 120), nn.BatchNorm1d(120), nn.ReLU()) self.fc2 = nn.Sequential( nn.Linear(120, 84), nn.BatchNorm1d(84), nn.ReLU(), nn.Linear(84, 10)) # 最后的結(jié)果一定要變?yōu)?10,因?yàn)閿?shù)字的選項(xiàng)是 0 ~ 9 def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size()[0], -1) x = self.fc1(x) x = self.fc2(x) x = self.fc3(x) return x
前向傳播內(nèi)容:
首先經(jīng)過 self.conv1() 和 self.conv1() 進(jìn)行卷積處理
然后進(jìn)行 x = x.view(x.size()[0], -1),對(duì)參數(shù)實(shí)現(xiàn)扁平化(便于后面全連接層輸入)
最后通過 self.fc1() 和 self.fc2() 定義的全連接層進(jìn)行最后的分類
訓(xùn)練模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') batch_size = 64 LR = 0.001 net = LeNet().to(device) # 損失函數(shù)使用交叉熵 criterion = nn.CrossEntropyLoss() # 優(yōu)化函數(shù)使用 Adam 自適應(yīng)優(yōu)化算法 optimizer = optim.Adam( net.parameters(), lr=LR, ) epoch = 1 if __name__ == '__main__': for epoch in range(epoch): sum_loss = 0.0 for i, data in enumerate(train_loader): inputs, labels = data inputs, labels = Variable(inputs).cuda(), Variable(labels).cuda() optimizer.zero_grad() #將梯度歸零 outputs = net(inputs) #將數(shù)據(jù)傳入網(wǎng)絡(luò)進(jìn)行前向運(yùn)算 loss = criterion(outputs, labels) #得到損失函數(shù) loss.backward() #反向傳播 optimizer.step() #通過梯度做一步參數(shù)更新 # print(loss) sum_loss += loss.item() if i % 100 == 99: print('[%d,%d] loss:%.03f' % (epoch + 1, i + 1, sum_loss / 100)) sum_loss = 0.0
測試模型
net.eval() #將模型變換為測試模式 correct = 0 total = 0 for data_test in test_loader: images, labels = data_test images, labels = Variable(images).cuda(), Variable(labels).cuda() output_test = net(images) _, predicted = torch.max(output_test, 1) total += labels.size(0) correct += (predicted == labels).sum() print("correct1: ", correct) print("Test acc: {0}".format(correct.item() / len(test_dataset)))
訓(xùn)練及測試的情況:
98% 以上的成功率,效果還不錯(cuò)。
以上就是本文的全部內(nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
python scipy.misc.imsave()函數(shù)的用法說明
這篇文章主要介紹了python scipy.misc.imsave()函數(shù)的用法說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-05-05Python圖像處理庫PIL的ImageFilter模塊使用介紹
這篇文章主要介紹了Python圖像處理庫PIL的ImageFilter模塊使用介紹,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-02-02Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作
這篇文章主要介紹了Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。2021-05-05python實(shí)現(xiàn)將文本轉(zhuǎn)換成語音的方法
這篇文章主要介紹了python實(shí)現(xiàn)將文本轉(zhuǎn)換成語音的方法,涉及Python中pyTTS模塊的相關(guān)使用技巧,需要的朋友可以參考下2015-05-05Python IDLE 錯(cuò)誤:IDLE''''s subprocess didn''''t make connectio
這篇文章主要介紹了Python IDLE 錯(cuò)誤:IDLE's subprocess didn't make connection 的解決方案的相關(guān)資料,需要的朋友可以參考下2017-02-02pycharm下查看python的變量類型和變量內(nèi)容的方法
今天小編就為大家分享一篇pycharm下查看python的變量類型和變量內(nèi)容的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-06-06使用python編寫簡單的小程序編譯成exe跑在win10上
這篇文章主要介紹了使用python編寫簡單的小程序編譯成exe跑在win10上的相關(guān)資料,需要的朋友可以參考下2018-01-01