PyTorch手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行多分類
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!
- Pytorch搭建簡單的卷積神經(jīng)網(wǎng)絡(luò)(CNN)實(shí)現(xiàn)MNIST數(shù)據(jù)集分類任務(wù)
- python神經(jīng)網(wǎng)絡(luò)AlexNet分類模型訓(xùn)練貓狗數(shù)據(jù)集
- Python機(jī)器學(xué)習(xí)應(yīng)用之基于天氣數(shù)據(jù)集的XGBoost分類篇解讀
- Python深度學(xué)習(xí)pytorch實(shí)現(xiàn)圖像分類數(shù)據(jù)集
- 總結(jié)近幾年P(guān)ytorch基于Imgagenet數(shù)據(jù)集圖像分類模型
- 詳解PyTorch預(yù)定義數(shù)據(jù)集類datasets.ImageFolder使用方法
相關(guān)文章
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2021-03-03Python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2018-08-08flask + 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