pytorch實現(xiàn)mnist手寫彩色數(shù)字識別
更新時間：2022年09月30日 10:22:49 作者：重郵研究森
這篇文章主要介紹了pytorch-實現(xiàn)mnist手寫彩色數(shù)字識別，文章圍繞主題展開詳細的內(nèi)容姐介紹，具有一定的參考價值，需要的小伙伴可以參考一下
前言
環(huán)境：
- 語言環(huán)境：Python3.6
- 編譯器：jupyter lab
- 深度學習環(huán)境：pytorch1.10
要求：
- 學習如何編寫一個完整的深度學習程序（?）
- 手動推導卷積層與池化層的計算過程（?）
一 前期工作
環(huán)境：python3.6，1080ti，pytorch1.10（實驗室服務器的環(huán)境）
1.設置GPU或者cpu
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device2.導入數(shù)據(jù)
train_ds = torchvision.datasets.MNIST('data',
train=True,
transform=torchvision.transforms.ToTensor(), # 將數(shù)據(jù)類型轉(zhuǎn)化為Tensor
download=True)
test_ds = torchvision.datasets.MNIST('data',
train=False,
transform=torchvision.transforms.ToTensor(), # 將數(shù)據(jù)類型轉(zhuǎn)化為Tensor
download=True)二 數(shù)據(jù)預處理
1.加載數(shù)據(jù)
設置數(shù)據(jù)尺寸
batch_size = 32
設置dataset
train_dl = torch.utils.data.DataLoader(train_ds,
batch_size=batch_size,
shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds,
batch_size=batch_size)2.可視化數(shù)據(jù)
打印部分圖片：
import numpy as np
# 指定圖片大小，圖像大小為20寬、5高的繪圖(單位為英寸inch)
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 維度縮減
npimg = imgs.numpy().transpose((1, 2, 0))
# 將整個figure分成2行10列，繪制第i+1個子圖。
plt.subplot(2, 10, i+1)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis('off')
3.再次檢查數(shù)據(jù)
輸出數(shù)據(jù)的尺寸：
# 取一個批次查看數(shù)據(jù)格式 # 數(shù)據(jù)的shape為：[batch_size, channel, height, weight] # 其中batch_size為自己設定，channel，height和weight分別是圖片的通道數(shù)，高度和寬度。 imgs, labels = next(iter(train_dl)) imgs.shape
三 搭建網(wǎng)絡
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential,ReLU
num_classes = 10
class Model(nn.Module):
def __init__(self):
super(Model,self).__init__()
# 卷積層
self.layers = Sequential(
# 第一層
Conv2d(3, 64, kernel_size=3),
MaxPool2d(2),
ReLU(),
# 第二層
Conv2d(64, 64, kernel_size=3),
MaxPool2d(2),
ReLU(),
Conv2d(64, 128, kernel_size=3),
MaxPool2d(2),
ReLU(),
Flatten(),
Linear(512, 256,bias=True),
ReLU(),
Linear(256, 64,bias=True),
ReLU(),
Linear(64, num_classes,bias=True)
)
def forward(self, x):
x = self.layers(x)
return x打印網(wǎng)絡結構：
vgg16網(wǎng)絡搭建：未修改尺寸
from torch import nn
vgg16=torchvision.models.vgg16(pretrained=True)#經(jīng)過訓練的
class Model(nn.Module):
def __init__(self):
super(Model,self).__init__()
# 卷積層
self.layers = Sequential(
vgg16
)
def forward(self, x):
x = self.layers(x)
return xvgg16網(wǎng)絡搭建：修改尺寸
四 訓練模型
1.設置學習率
loss_fn = nn.CrossEntropyLoss() # 創(chuàng)建損失函數(shù) learn_rate = 1e-2 # 學習率 opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
2.模型訓練
訓練函數(shù)：
# 訓練循環(huán)
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 訓練集的大小，一共60000張圖片
num_batches = len(dataloader) # 批次數(shù)目，1875（60000/32）
train_loss, train_acc = 0, 0 # 初始化訓練損失和正確率
for X, y in dataloader: # 獲取圖片及其標簽
X, y = X.to(device), y.to(device)
# 計算預測誤差
pred = model(X) # 網(wǎng)絡輸出
loss = loss_fn(pred, y) # 計算網(wǎng)絡輸出和真實值之間的差距，targets為真實值，計算二者差值即為損失
# 反向傳播
optimizer.zero_grad() # grad屬性歸零
loss.backward() # 反向傳播
optimizer.step() # 每一步自動更新
# 記錄acc與loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss測試函數(shù) ：
def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 測試集的大小，一共10000張圖片
num_batches = len(dataloader) # 批次數(shù)目，313（10000/32=312.5，向上取整）
test_loss, test_acc = 0, 0
# 當不進行訓練時，停止梯度更新，節(jié)省計算內(nèi)存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 計算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss具體訓練代碼 ：
epochs = 20
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')
五 模型評估
1.Loss和Accuracy圖
2.總結
- 1.本文與上篇文章區(qū)別在于灰色圖像和彩色圖像通道數(shù)一個為1，一個為3.所以這里的卷積輸入都是3.
- 2.關于各層計算這里簡單說一下，我們以范文舉例：
卷積層：32->30因為(（32-3）/1)+1=30
池化池：30->15因為30÷2=15
具體計算可以參考我題目開頭的文章，這里不在贅述
我們可以看到本次訓練效果不好，那我們可以利用經(jīng)典網(wǎng)絡vgg16進行修改，準確率提高到了百分之88了。
其代碼如上：
到此這篇關于pytorch-實現(xiàn)mnist手寫彩色數(shù)字識別的文章就介紹到這了,更多相關pytorch mnist內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Pycharm報錯Environment?location?directory?is?not?empty問題及
這篇文章主要介紹了Pycharm報錯Environment?location?directory?is?not?empty問題及解決,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-09-09
python爬取豆瓣電影排行榜(requests)的示例代碼
這篇文章主要介紹了python爬取豆瓣電影排行榜(requests),本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-02-02
這篇文章主要給大家介紹了關于利用Django模版生成樹狀結構的相關資料，文中通過示例代碼介紹的非常詳細，對大家學習或者使用Django具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-05-05
這篇文章主要介紹了python裝飾器簡介，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-04-04
這篇文章主要介紹了python求一個字符串的所有排列的實現(xiàn)方法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-02-02
今天小編就為大家分享一篇python交互界面的退出方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2019-02-02 
今天小編就為大家分享一篇python 文件查找及內(nèi)容匹配方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2018-10-10 
這篇文章主要介紹了jupyter讀取錯誤格式文件的解決方案，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2021-03-03 
這篇文章主要介紹了Flask搭建虛擬環(huán)境并運行第一個flask程序，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
2021-10-10