pytorch0.4版的CNN对minist分类

卷积神经网络(Convolutional Neural Network, CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN的。

卷积神经网络CNN的结构一般包含这几个层：

输入层：用于数据的输入
卷积层：使用卷积核进行特征提取和特征映射
激励层：由于卷积也是一种线性运算，因此需要增加非线性映射
池化层：进行下采样，对特征图稀疏处理，减少数据运算量。
全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失
输出层：用于输出结果

用pytorch0.4 做的cnn网络做的minist 分类，代码如下：

 1 import torch
 2 import torch.nn as nn
 3 import torch.nn.functional as F
 4 import torch.optim as optim
 5 from torchvision import datasets, transforms
 6 from torch.autograd import Variable
 7
 8 # Training settings
 9 batch_size = 64
10
11 # MNIST Dataset
12 train_dataset = datasets.MNIST(root='./data/',train=True,transform=transforms.ToTensor(),download=True)
13 test_dataset = datasets.MNIST(root='./data/',train=False,transform=transforms.ToTensor())
14
15 # Data Loader (Input Pipeline)
16 train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
17 test_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=False)
18
19 class Net(nn.Module):
20     def __init__(self):
21         super(Net, self).__init__()
22         # 输入1通道，输出10通道，kernel 5*5
23         self.conv1 = nn.Conv2d(1, 10, kernel_size=5) # 定义conv1函数的是图像卷积函数：输入为图像（1个频道，即灰度图）,输出为 10张特征图, 卷积核为5x5正方形
24         self.conv2 = nn.Conv2d(10, 20, kernel_size=5) # # 定义conv2函数的是图像卷积函数：输入为10张特征图,输出为20张特征图, 卷积核为5x5正方形
25         self.mp = nn.MaxPool2d(2)
26         # fully connect
27         self.fc = nn.Linear(320, 10)
28
29     def forward(self, x):
30         # in_size = 64
31         in_size = x.size(0)  # one batch
32         # x: 64*10*12*12
33         x = F.relu(self.mp(self.conv1(x)))
34         # x: 64*20*4*4
35         x = F.relu(self.mp(self.conv2(x)))
36         # x: 64*320
37         x = x.view(in_size, -1)  # flatten the tensor
38         # x: 64*10
39         x = self.fc(x)
40         return F.log_softmax(x,dim=0)
41
42
43 model = Net()
44 optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
45
46 def train(epoch):
47     for batch_idx, (data, target) in enumerate(train_loader):
48         data, target = Variable(data), Variable(target)
49         optimizer.zero_grad()
50         output = model(data)
51         loss = F.nll_loss(output, target)
52         loss.backward()
53         optimizer.step()
54         if batch_idx % 200 == 0:
55             print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
56                 epoch, batch_idx * len(data), len(train_loader.dataset),
57                        100. * batch_idx / len(train_loader), loss.item()))
58
59
60 def test():
61     test_loss = 0
62     correct = 0
63     for data, target in test_loader:
64         data, target = Variable(data), Variable(target)
65         output = model(data)
66         # sum up batch loss
67         #test_loss += F.nll_loss(output, target, size_average=False).item()
68         test_loss += F.nll_loss(output, target, reduction = 'sum').item()
69         # get the index of the max log-probability
70         pred = output.data.max(1, keepdim=True)[1]
71         correct += pred.eq(target.data.view_as(pred)).cpu().sum()
72
73     test_loss /= len(test_loader.dataset)
74     print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
75         test_loss, correct, len(test_loader.dataset),
76         100. * correct / len(test_loader.dataset)))
77
78
79 if __name__=="__main__":
80     for epoch in range(1, 4):
81       train(epoch)
82       test()

运行效果如下：

Train Epoch: 1 [0/60000 (0%)]    Loss: 4.163342
Train Epoch: 1 [12800/60000 (21%)]    Loss: 2.689871
Train Epoch: 1 [25600/60000 (43%)]    Loss: 2.553686
Train Epoch: 1 [38400/60000 (64%)]    Loss: 2.376630
Train Epoch: 1 [51200/60000 (85%)]    Loss: 2.321894Test set: Average loss: 2.2703, Accuracy: 9490/10000 (94%)Train Epoch: 2 [0/60000 (0%)]    Loss: 2.321601
Train Epoch: 2 [12800/60000 (21%)]    Loss: 2.293680
Train Epoch: 2 [25600/60000 (43%)]    Loss: 2.377935
Train Epoch: 2 [38400/60000 (64%)]    Loss: 2.150829
Train Epoch: 2 [51200/60000 (85%)]    Loss: 2.201805Test set: Average loss: 2.1848, Accuracy: 9658/10000 (96%)Train Epoch: 3 [0/60000 (0%)]    Loss: 2.238524
Train Epoch: 3 [12800/60000 (21%)]    Loss: 2.224833
Train Epoch: 3 [25600/60000 (43%)]    Loss: 2.240626
Train Epoch: 3 [38400/60000 (64%)]    Loss: 2.217183
Train Epoch: 3 [51200/60000 (85%)]    Loss: 2.357141Test set: Average loss: 2.1426, Accuracy: 9723/10000 (97%)

转载于:https://www.cnblogs.com/www-caiyin-com/p/9955779.html

pytorch0.4版的CNN对minist分类相关推荐

基于CNN的MINIST手写数字识别项目代码以及原理详解
文章目录项目简介项目下载地址项目开发软件环境项目开发硬件环境前言一.数据加载的作用二.Pytorch进行数据加载所需工具 2.1 Dataset 2.2 Dataloader 2.3 T ...
TensorFlow实现多层感知机MINIST分类
TensorFlow实现多层感知机MINIST分类 TensorFlow 支持自动求导,可以使用 TensorFlow 优化器来计算和使用梯度.使用梯度自动更新用变量定义的张量.本文将使用 Tenso ...
使用CNN做文本分类——将图像2维卷积换成1维
使用CNN做文本分类from __future__ importdivision, print_function, absolute_importimporttensorflow as tfimpor ...
CNN在文本分类的应用(内有代码实现) 论文Convolutional Neural Networks for Sentence Classification
一.CNN文本分类简介文本分类是NLP领域的一个重要子任务,文本分类的目标是自动的将文本打上已经定义好的标签,常见的文本分类任务有: 用户评论的情感识别垃圾邮件过滤用户查询意图识别新闻分类由 ...
文本分类(下) | 卷积神经网络(CNN)在文本分类上的应用
正文共3758张图,4张图,预计阅读时间18分钟. 1.简介原先写过两篇文章,分别介绍了传统机器学习方法在文本分类上的应用以及CNN原理,然后本篇文章结合两篇论文展开,主要讲述下CNN在文本分类上的 ...
【论文复现】使用CNN进行文本分类
今天要写的是关于NLP领域的一个关键问题:文本分类. 相对应的论文是:Convolutional Neural Networks for Sentence Classification 参考的博客为: ...
论文复现：用 CNN 进行文本分类
前一篇文章中我们学习了 CNN 的基础结构,并且知道了它是计算机视觉领域的基础模型,其实 CNN 不仅仅可以用于计算机视觉,还可以用于处理自然语言处理问题,今天就来看看如何用 CNN 处理文本分类任务 ...
linux tf2 中文,tf2+cnn+中文文本分类优化系列(2)
1 前言接着上次的tf2+cnn+中文文本分类优化系列(1),本次进行优化:使用多个卷积核进行特征抽取.之前是使用filter_size=2进行2-gram特征的识别,本次使用filter_size ...
CNN对句子分类（tensorflow）
卷积神经网络是一种特殊的深层的神经网络模型,它的特殊性体现在两个方面,一方面它的神经元间的连接是非全连接的, 另一方面同一层中某些神经元之间的连接的权重是共享的(即相同的).它的非全连接和权值共享的网 ...

pytorch0.4版的CNN对minist分类

pytorch0.4版的CNN对minist分类相关推荐

最新文章

热门文章