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 ...
最新文章
- 记录零基础GO编程入门笔记之一
- JS判断提交表单不能为空 等的验证
- ML之LoR:kaggle比赛之利用泰坦尼克号数据集建立LoR模型对每个人进行获救是否预测
- Nifi清空Queue操作
- 数据库 记录php 全屏编辑,Thinkphp5数据库操作源码
- [转帖]2016年时的新闻:ASP.NET Core 1.0、ASP.NET MVC Core 1.0和Entity Framework Core 1.0
- python题库选择题刷题训练_python题库刷题训练开源到了Github
- 2021 小白版,360 行行行转 IT
- JMeter基础 —脚本录制工具Badboy介绍
- 用VMWARE安装Mac OSX Tiger 10.4.4 X86
- 计算机word设置斜框线,Word绘制多线斜线表头技巧-word技巧-电脑技巧收藏家
- AI论文中 ACKNOWLEDGMENT的写法
- static关键字的用法
- 《软技能-代码之外的生存指南》————第二篇 自我营销
- 【面试总结】JNI层MediaScanner的分析,挥泪整理面经
- shell脚本ping检测服务器连通性
- abp 部署到ubuntu_centos和ubuntu系列总结 - 白色的番茄
- 什么是Resnet50模型?
- 思考者的回归--转帖今何在的优美文章《窗》之三
- 时间复杂度O(1),O(n),O(logn),O(nlogn)的意思
热门文章
- mybatis中实现动态SQL
- 斐波那契数列+pyton
- oracle 分组first,Oracle分析函数:First_Value
- C/C++程序的内存开辟
- 【Python习题】计算弓形的面积(保姆级图文+实现代码)
- CentOS7.2安装配置scylladb
- 动态内表(纵向变横向)
- 有限域f9的特征是多少_机械公差f9的上下偏差各是多少啊?
- Raspberry Pi3驱动Oled ssh1106屏
- 算法设计与分析第一次作业 1301. Bubbling Bubbles