卷积神经网络实现数字识别

1.导入相关的库

2.载入数据

（数据集组成）

（tensor()格式的为标准化的单张img）

（标准化后）

3.CNN骨架

4.训练

（第九轮训练）

5.测试

6.保存模型

(训练损失曲线)

(测试损失曲线）

(测试正确率曲线)

完整代码

import time
import torch
from matplotlib import pyplot as plt
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, ReLU, Dropout
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from torchvision.datasets import mnist#采用GPU
device = torch.device("cuda:0")#加载数据
train_batch_size = 128
test_batch_size = 128
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize([0.5],[0.5])])
data_train = mnist.MNIST('./data',train=True,transform=transform,target_transform=None,download=True)
data_test = mnist.MNIST('./data',train=False,transform=transform,target_transform=None,download=True)train_data_size = len(data_train)
test_data_size = len(data_test)
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))train_loader = DataLoader(data_train,batch_size=train_batch_size,shuffle=True)
test_loader = DataLoader(data_test,batch_size=test_batch_size,shuffle=True)# 可视化数据
examples = enumerate(test_loader)
batch_idx, (example_data, example_targets) = next(examples)
plt.figure(figsize=(9, 9))
for i in range(9):plt.subplot(3, 3, i+1)plt.title("Ground Truth:{}".format(example_targets[i]))plt.imshow(example_data[i][0], cmap='gray', interpolation='none')plt.xticks([])plt.yticks([])
plt.show()#搭建CNN网络
class network(nn.Module):#[128,1,28,28]def __init__(self) -> None:super(network,self).__init__()self.module1 = nn.Sequential(Conv2d(1, 16, 3, 1, padding=1),#[128,16,28,28] w=h=28-3+1+2=28ReLU(inplace=True),MaxPool2d(kernel_size=2,stride=2),#[128,16,14,14] w=h=(28-2+1+2)/2=14Conv2d(16, 32, 3, 1, padding=1),#[128,32,14,14] w=h=14-3+1+2=14ReLU(inplace=True),MaxPool2d(kernel_size=2,stride=2),#[128,32,7,7] w=h=(14-2+1+2)/2=7Flatten(),Linear(32*7*7, 128),ReLU(),Dropout(p=0.5),#缓解过拟合，一定程度上正则化Linear(128, 10))def forward(self,x):x = self.module1(x)return xnet = network()
net = net.to(device)
print("模型结构为：")
print(net)#训练模型#损失函数#交叉熵
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)#优化器
#随机梯度下降SGD
learning_rate = 0.01
optimizer = torch.optim.SGD(net.parameters(),lr=learning_rate)#记录训练的次数
total_train_step = 0
#记录测试的次数
total_test_step = 0
#训练轮数
epoch = 10start_time = time.time()#添加tensorboard
writer = SummaryWriter("CNN_logs")
for i in range(epoch):print("第{}轮训练开始:".format(i+1))#训练步骤开始net.train()total_train_loss = 0for data in train_loader:imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)outputs = net(imgs)loss = loss_fn(outputs, targets)total_train_loss = total_train_loss + loss.item()#梯度清零,优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1if total_train_step % 100 == 0:end_time = time.time()print("time:",end_time-start_time)writer.add_scalar("train_time",end_time-start_time,total_train_step)print("训练次数：{}，Loss: {}".format(total_train_step, loss.item()))writer.add_scalar("train_loss",loss.item(),total_train_step)#测试步骤开始net.eval()total_test_loss = 0total_accuracy = 0with torch.no_grad():for data in test_loader:imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)outputs = net(imgs)loss = loss_fn(outputs, targets)total_test_loss = total_test_loss + loss.item()#argmax(1)行，(0)列#正确率accuracy = (outputs.argmax(1)==targets).sum()total_accuracy = total_accuracy + accuracyprint("第{}轮，整体测试集上的Loss:{}".format(i+1, total_test_loss))print("整体测试集上的正确率：{}".format(total_accuracy / test_data_size))writer.add_scalar("(每一轮)all_test_loss",total_test_loss, total_test_step)writer.add_scalar("test_accuracy",total_accuracy / test_data_size, total_test_step)total_test_step = total_test_step+1#保存每一轮训练的结果torch.save(net, "network_{}.pth".format(i+1))#torch.save(net.state_dict(),"net_{}.pth".format(i+1))print("模型已保存.")
writer.close()

卷积神经网络实现数字识别相关推荐

Android基于卷积神经网络的数字手势识别识别数字手势0-10 Android studio编译
这篇博客主要基于我做的一个数字手势识别APP,具体分享下如何一步步训练一个卷积神经网络模型(CNN)模型,然后把模型集成到Android Studio中,开发一个数字手势识别APP.Android基于 ...
卷积神经网络和图像分类识别
Andrew Kirillov 著 Conmajia 译 2019 年 1 月 15 日原文发表于 CodeProject(2018 年 10 月 28 日). 中文版有小幅修改,已获作者本人授权. ...
PyTorch实现基于卷积神经网络的面部表情识别
基于卷积神经网络的面部表情识别(Pytorch实现)----台大李宏毅机器学习作业3(HW3) 一.项目说明给定数据集train.csv,要求使用卷积神经网络CNN,根据每个样本的面部图片判断出其表 ...
【转】干货｜孙启超：卷积神经网络在人脸识别技术中的应用
2018-08-27 21:45:01 随着 iPhone X 的发布,Face ID 人脸识别技术开始进入人们的日常生活中,当我们拿起手机并看着它的时候就可以实现手机解锁的功能.而人脸识别中的关键技 ...
基于卷积神经网络的验证码识别(准确率87.5%+)
目录一.任务背景与目标概述二.卷积神经网络简介三.方案设计及实现过程四.实验结果及分析与讨论五.结论实现代码一.任务背景与目标概述随着现代网络技术的飞速发展和提高,改善了我们的生活质量 ...
基于卷积神经网络的数字手势识别APP(安卓) 毕业设计附完整代码
项目简介这是一个基于卷积神经网络的数字手势识别 APP(安卓),主要功能为:通过手机摄像头识别做出的数字手势,能够识别数字 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手 ...
如何利用离散Hopfield神经网络进行数字识别（2）
如何利用离散Hopfield神经网络进行数字识别
如何利用离散Hopfield神经网络进行数字识别（1）
如何利用离散Hopfield神经网络进行数字识别,代码部分.
基于深度卷积神经网络进行人脸识别的原理是什么？
原文:https://www.zhihu.com/question/60759296 基于深度卷积神经网络进行人脸识别的原理是什么? 这里的人脸识别包括但不限于:人脸检测,人脸对齐,身份验证识别,和表 ...

卷积神经网络实现数字识别

卷积神经网络实现数字识别相关推荐

最新文章

热门文章