pytorch CNN手写字体识别


## """CNN手写字体识别"""import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision       #其中包括一些数据库（图片...）
import matplotlib.pyplot as plt#超参数
EPOCH = 1                            #总数据循环的次数
BATCH_SIZE = 50                #每次训练50个数据
LR = 0.001                    #学习率
DOWNLOAD_MNIST = False    #已经下好数据 则用Falsetrain_data = torchvision.datasets.MNIST(                                                 #下载手写数据训练集root='./mnist',train=True,  #获得其中的训练数据transform=torchvision.transforms.ToTensor(),  #下载的数据格式改成tensor格式,数据的值  （0-255）压缩到(0-1)download=DOWNLOAD_MNIST
)#画图工具显示其中一个图片
# print(train_data.train_data.size())     #(60000, 28, 28)
# print(train_data.train_labels.size())   #(60000)
# pause=input("Continue")
# plt.imshow(train_data.train_data[0].numpy(),cmap='gray')  #呈现其中的第一张图片
# plt.title('%i' % train_data.train_labels[0])
# plt.show()train_loader = Data.DataLoader(                                      #批处理dataset=train_data,batch_size=BATCH_SIZE,shuffle=True,   #训练的时候，要不要随机打乱数据
)#训练集
test_data = torchvision.datasets.MNIST(root='./mnist',train=False
)test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1), volatile=True).type(torch.FloatTensor)[:2000]/255.   #压缩到（0-1）
test_y = test_data.test_labels[:2000]class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 = nn.Sequential(nn.Conv2d(           #图片的维度是（1,28,28）in_channels=1,           #图片的高度也就是层数out_channels=16,        #fittle的个数（相当于卷积核的个数） 相当于16个卷积核同时扫描kernel_size=5,          #卷积核的大小   5*5stride=1,               #卷积核每隔多少步跳一下  相当于步长padding=2,              #边缘填充  不够补零  如果stride = 1   padding = (kernel_size-1)/2),   # ->  (16,28,28)nn.ReLU(),                      #激活层    # ->  (16,28,28)nn.MaxPool2d(              # ->  (16,14,14)kernel_size=2),)self.conv2 = nn.Sequential(                 # ->  (16,14,14)nn.Conv2d(16, 32, 5, 1, 2),               # ->  (32,14,14)nn.ReLU(),                    # ->  (32,14,14)nn.MaxPool2d(2)              # ->  (32,7,7))self.out = nn.Linear(32 * 7 * 7, 10)          #辗平  （10 代表分类的个数  这里是手写数字识别  所以有是个分类）def forward(self, x):x = self.conv1(x)x = self.conv2(x)    #（batch, 32, 7, 7） 考虑batch的维度x = x.view(x.size(0),-1)      #(batch, 32 * 7 * 7 )    ( -1 的作用就是把矩阵辗平)  x.size(0):作用是把batch的维度保留output = self.out(x)return outputcnn = CNN()
# print(cnn)
optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)
loss_func = nn.CrossEntropyLoss()for epoch in range(EPOCH):for step, (x, y) in enumerate(train_loader):output = cnn(x)loss = loss_func(output, y)optimizer.zero_grad()loss.backward()optimizer.step()# print(step)if step % 50 == 0:test_output = cnn(test_x)pred_y = torch.max(test_output, 1)[1].data.squeeze()# print(sum(pred_y == test_y))# print(test_y.size(0))accuracy = sum(pred_y == test_y) / test_y.size(0)# accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0))# print("Epoch: ", epoch, "| train loss: %.4f" % loss.item(), "| test accuracy: %.4f", accuracy)print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.numpy(), '| test accuracy: %f' % accuracy)    #每50 step 输出一次结果  每次数据集迭代24 次   所以总数据为 24 * 50 * 50test_output = cnn(test_x[:10])    #前十个看预测的标签
pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze()
print(pred_y,"prediction number")
print(test_y[:10].numpy(), "real number")

数据整体训练一次，对于accuracy都是0的问题，由于刚开始学，有些代码的细节我也没看懂，不过整体结果是对的，可能是由于pytorch版本的更新，导致accuracy的计算方式有所改变

内容转载自：https://www.bilibili.com/video/av15997678/?p=19

pytorch CNN手写字体识别相关推荐

Pytorch CNN 手写数字识别 0-9
使用的软件是pycharm 环境是在anaconda下创的虚拟环境pytorch 整个过程大体为,在画板手写数字,用python代码实现手写数字的批量生成,定义超参数,创建数据集包括训练集和数据集,创 ...
pytorch实现手写字体识别(Mnist数据集)
1.加载数据集一个快速体验学习的小tip在google的云jupyter上做实验,速度快的飞起. import torch from torch.nn import Linear, ReLU imp ...
PyTorch MNIST手写字体识别
代码: # 1 加载必要的库 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim ...
pytorch rnn 实现手写字体识别
pytorch rnn 实现手写字体识别构建 RNN 代码加载数据使用RNN 训练和测试数据构建 RNN 代码 import torch import torch.nn as nn from ...
matlab文字bp识别,MNIST手写字体识别（CNN+BP两种实现）-Matlab程序
[实例简介] MNIST手写字 Matlab程序,包含BP和CNN程序.不依赖任何库,包含MNIST数据,BP网络可达到98.3%的识别率,CNN可达到99%的识别率.CNN比较耗时,关于CNN的程序 ...
【PyTorch学习笔记_04】--- PyTorch（开始动手操作_案例1：手写字体识别）
手写字体识别的流程定义超参数(自己定义的参数) 构建transforms, 主要是对图像做变换下载,加载数据集MNIST 构建网络模型(重要,自己定义) 定义训练方法定义测试方法开始训练模型, ...
PyTorch手写字体识别MNIST
手写字体识别MNIST 1.准备工作可以看这个老师的视频进行学习,讲解的非常仔细:视频学习 2.项目代码 2.1 导入模块 # 1.加载相关库 import torch import torch.n ...
使用Pytorch实现手写数字识别
使用Pytorch实现手写数字识别 1. 思路和流程分析流程: 准备数据,这些需要准备DataLoader 构建模型,这里可以使用torch构造一个深层的神经网络模型的训练模型的保存,保存模型, ...
pytorch MNIST 手写数字识别 + 使用自己的测试集 + 数据增强后再训练
文章目录 1. MNIST 手写数字识别 2. 聚焦数据集扩充后的模型训练 3. pytorch 手写数字识别基本实现 3.1完整代码及 MNIST 测试集测试结果 3.1.1代码 3.1.2 MNI ...

pytorch CNN手写字体识别

pytorch CNN手写字体识别相关推荐

最新文章

热门文章