欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

PyTorch手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行多分類

 更新時(shí)間:2022年03月09日 17:16:09   作者:心?升明月  
這篇文章主要介紹了PyTorch手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行多分類,損失函數(shù)采用交叉熵,激活函數(shù)采用ReLU,優(yōu)化器采用帶有動(dòng)量的mini-batchSGD算法,需要的朋友可以參考一下

一、實(shí)現(xiàn)過程

本文對(duì)經(jīng)典手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行多分類,損失函數(shù)采用交叉熵,激活函數(shù)采用ReLU,優(yōu)化器采用帶有動(dòng)量的mini-batchSGD算法。

所有代碼如下:

0、導(dǎo)包

import torch
from torchvision import transforms,datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

1、準(zhǔn)備數(shù)據(jù)

batch_size = 64
transform = transforms.Compose([
? ? transforms.ToTensor(),
? ? transforms.Normalize((0.1307,),(0.3081,))
])

# 訓(xùn)練集
train_dataset = datasets.MNIST(root='G:/datasets/mnist',train=True,download=False,transform=transform)
train_loader = DataLoader(train_dataset,shuffle=True,batch_size=batch_size)
# 測(cè)試集
test_dataset = datasets.MNIST(root='G:/datasets/mnist',train=False,download=False,transform=transform)
test_loader = DataLoader(test_dataset,shuffle=False,batch_size=batch_size)

2、設(shè)計(jì)模型

class Net(torch.nn.Module):
? ? def __init__(self):
? ? ? ? super(Net, self).__init__()
? ? ? ? self.l1 = torch.nn.Linear(784, 512)
? ? ? ? self.l2 = torch.nn.Linear(512, 256)
? ? ? ? self.l3 = torch.nn.Linear(256, 128)
? ? ? ? self.l4 = torch.nn.Linear(128, 64)
? ? ? ? self.l5 = torch.nn.Linear(64, 10)

? ? def forward(self, x):
? ? ? ? x = x.view(-1, 784)
? ? ? ? x = F.relu(self.l1(x))
? ? ? ? x = F.relu(self.l2(x))
? ? ? ? x = F.relu(self.l3(x))
? ? ? ? x = F.relu(self.l4(x))
? ? ? ? return self.l5(x)
model = Net()
# 模型加載到GPU上
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)

3、構(gòu)造損失函數(shù)和優(yōu)化器

criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(),lr=0.01,momentum=0.5)

4、訓(xùn)練和測(cè)試

def train(epoch):
? ? running_loss = 0.0
? ? for batch_idx, data in enumerate(train_loader, 0):
? ? ? ? inputs, target = data
? ? ? ? optimizer.zero_grad()

? ? ? ? # forward+backward+update
? ? ? ? outputs = model(inputs.to(device))
? ? ? ? loss = criterion(outputs, target.to(device))
? ? ? ? loss.backward()
? ? ? ? optimizer.step()

? ? ? ? running_loss += loss.item()
? ? ? ? if batch_idx % 300 == 299:
? ? ? ? ? ? print('[%d,%d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
? ? ? ? ? ? running_loss = 0.0
def test():
? ? correct = 0
? ? total = 0
? ? with torch.no_grad():
? ? ? ? for data in test_loader:
? ? ? ? ? ? images, labels = data
? ? ? ? ? ? outputs = model(images.to(device))
? ? ? ? ? ? _, predicted = torch.max(outputs.data, dim=1)
? ? ? ? ? ? total += labels.size(0)
? ? ? ? ? ? correct += (predicted.cpu() == labels).sum().item()
? ? print('Accuracy on test set: %d %%' % (100 * correct / total))

for epoch in range(10):
? ? train(epoch)
? ? test()

運(yùn)行結(jié)果如下:

[1,300] loss: 2.166
[1,600] loss: 0.797
[1,900] loss: 0.405
Accuracy on test set: 90 %
[2,300] loss: 0.303
[2,600] loss: 0.252
[2,900] loss: 0.218
Accuracy on test set: 94 %
[3,300] loss: 0.178
[3,600] loss: 0.168
[3,900] loss: 0.142
Accuracy on test set: 95 %
[4,300] loss: 0.129
[4,600] loss: 0.119
[4,900] loss: 0.110
Accuracy on test set: 96 %
[5,300] loss: 0.094
[5,600] loss: 0.092
[5,900] loss: 0.091
Accuracy on test set: 96 %
[6,300] loss: 0.077
[6,600] loss: 0.070
[6,900] loss: 0.075
Accuracy on test set: 97 %
[7,300] loss: 0.061
[7,600] loss: 0.058
[7,900] loss: 0.058
Accuracy on test set: 97 %
[8,300] loss: 0.043
[8,600] loss: 0.051
[8,900] loss: 0.050
Accuracy on test set: 97 %
[9,300] loss: 0.041
[9,600] loss: 0.038
[9,900] loss: 0.043
Accuracy on test set: 97 %
[10,300] loss: 0.030
[10,600] loss: 0.032
[10,900] loss: 0.033
Accuracy on test set: 97 %

二、參考文獻(xiàn)

 到此這篇關(guān)于PyTorch手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行多分類的文章就介紹到這了,更多相關(guān)python多分類內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • python在Windows8下獲取本機(jī)ip地址的方法

    python在Windows8下獲取本機(jī)ip地址的方法

    這篇文章主要介紹了python在Windows8下獲取本機(jī)ip地址的方法,涉及Python中socket包相關(guān)函數(shù)的使用技巧,需要的朋友可以參考下
    2015-03-03
  • 淺談Python中的繼承

    淺談Python中的繼承

    這篇文章主要介紹了Python中繼承的的相關(guān)資料,文中講解非常細(xì)致,代碼幫助大家更好的理解和學(xué)習(xí),感興趣的朋友可以了解下
    2020-06-06
  • 關(guān)于jupyter lab安裝及導(dǎo)入tensorflow找不到模塊的問題

    關(guān)于jupyter lab安裝及導(dǎo)入tensorflow找不到模塊的問題

    這篇文章主要介紹了關(guān)于jupyter lab安裝及導(dǎo)入tensorflow找不到模塊的問題,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2021-03-03
  • Python?ini配置文件示例詳解

    Python?ini配置文件示例詳解

    這篇文章主要給大家介紹了關(guān)于Python?ini配置文件的相關(guān)資料,文中通過實(shí)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,需要的朋友可以參考下
    2022-03-03
  • Python面向?qū)ο笾涌凇⒊橄箢惻c多態(tài)詳解

    Python面向?qū)ο笾涌?、抽象類與多態(tài)詳解

    這篇文章主要介紹了Python面向?qū)ο笾涌?、抽象類與多態(tài),結(jié)合實(shí)例形式詳細(xì)分析了Python面向?qū)ο笾薪涌?、抽象類及多態(tài)的概念、用法及相關(guān)操作注意事項(xiàng),需要的朋友可以參考下
    2018-08-08
  • flask + pymysql操作Mysql數(shù)據(jù)庫的實(shí)例

    flask + pymysql操作Mysql數(shù)據(jù)庫的實(shí)例

    下面小編就為大家?guī)硪黄猣lask + pymysql操作Mysql數(shù)據(jù)庫的實(shí)例。小編覺得挺不錯(cuò)的,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧
    2017-11-11
  • Python 二叉樹的概念案例詳解

    Python 二叉樹的概念案例詳解

    這篇文章主要介紹了二叉樹的概念案例詳解,本篇文章通過簡要的案例,講解了該項(xiàng)技術(shù)的了解與使用,以下就是詳細(xì)內(nèi)容,需要的朋友可以參考下
    2021-09-09
  • 如何基于線程池提升request模塊效率

    如何基于線程池提升request模塊效率

    這篇文章主要介紹了如何基于線程池提升request模塊效率,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,需要的朋友可以參考下
    2020-04-04
  • 五分鐘學(xué)會(huì)Python 模塊和包、文件

    五分鐘學(xué)會(huì)Python 模塊和包、文件

    通過學(xué)習(xí)本文可以五分鐘掌握Python 模塊和包、文件的相關(guān)知識(shí),本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2021-08-08
  • 使用Python快速提取PPT中的文本內(nèi)容的代碼示例

    使用Python快速提取PPT中的文本內(nèi)容的代碼示例

    本文將介紹如何使用Python程序提取PowerPoint演示文稿中的文本內(nèi)容,包括幻燈片中的主體文本、幻燈片備注文本以及幻燈片,文中通過代碼示例給大家介紹的非常詳細(xì),具有一定的參考價(jià)值,需要的朋友可以參考下
    2024-03-03

最新評(píng)論