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  torch.autograd  import  Variableimport  torch.utils.data  as  Dataimport   torchvisionimport   matplotlib.pyplot  as  plttorch.manual_seed(1)#batch size
BATCH_SIZE=50
#学习率
LR= 0.001
DOWNLOAD=False
#是否训练
TRAIN =Falseclass   RNN(nn.Module):def __init__(self):super(RNN,self).__init__()'''input_size:输入特征的数目hidden_size:隐层的特征数目num_layers：这个是模型集成的LSTM的个数 记住这里是模型中有多少个LSTM摞起来 一般默认就1个#batch_first: 输入数据的size为[batch_size, time_step, input_size]还是[time_step, batch_size, input_size]'''self.rnn= nn.LSTM(input_size=28,hidden_size=64,num_layers=3,batch_first=True #batch_first: 输入数据的size为[batch_size, time_step, input_size]还是[time_step, batch_size, input_size])self.out = nn.Linear(64,10)self.optimizer = torch.optim.Adam(self.parameters(),lr=LR)self.lossFunc= nn.CrossEntropyLoss()def forward(self,x):#x [ batch,28,28]r_out ,(h_n,h_c)= self.rnn(x,None)#r_out [50,28,64]   h_n=[1,50,64]  h_c =[1,50,64]#r_out  表示 每一次输入  28 个像素  输入了  50* 28 次#h_n 表示    每 28*28 为一次 记录  隐藏层 为 64 所以为  50，64  每28*28为一个记录 参数print(r_out.size(), h_n.size(),h_c.size())r_out = self.out(r_out[:,-1,:])return  r_outdef  lossFunction(self,predict ,batchY):loss = self.lossFunc(predict,batchY)self.optimizer.zero_grad()loss.backward()print("loss==",loss.data)self.optimizer.step()

加载数据

tranData =  torchvision.datasets.MNIST(root="d:/mnist/",train=True,transform=torchvision.transforms.ToTensor(),download=DOWNLOAD)testData = torchvision.datasets.MNIST(root="d:/mnist/",train=False
)trainLoader =  Data.DataLoader(dataset=tranData,batch_size=BATCH_SIZE,shuffle=True)# 为了节约时间, 我们测试时只测试前2000个
# shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)
test_x = Variable(torch.unsqueeze(testData.test_data, dim=1), volatile=True).type(torch.FloatTensor)[:2000]/255.
test_y = testData.test_labels[:2000]

使用RNN 训练和测试数据


#构造RNN
myRNN= RNN()#训练数据
if(TRAIN):for  epoch in  range(3):for  step  ,(x,y) in enumerate(trainLoader):trainX = Variable(x.view(-1,28,28))print("trainX==",trainX.size())tranY = Variable(y)predict= myRNN(trainX)print("predict==",predict)myRNN.lossFunction(predict,tranY)torch.save(myRNN.state_dict(), "d:/mnist/rnn.pkl")
else:myRNN.load_state_dict(torch.load("d:/mnist/rnn.pkl"))#测试数据
testOut = myRNN(test_x[:20].view(-1,28,28))print("testOut==",testOut.size())
#预测值
testPredict = torch.max(testOut,1)[1]print("testPredict==", testPredict.size())
print(testPredict,test_y[:20])

pytorch rnn 实现手写字体识别相关推荐

pytorch CNN手写字体识别
## """CNN手写字体识别"""import torch import torch.nn as nn from torch.autogr ...
【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 ...
第六讲 Keras实现手写字体识别分类
一本节课程介绍 1.1 知识点 1.图像识别分类相关介绍: 2.Mnist手写数据集介绍: 3.标准化数据预处理: 4.实验手写字体识别二课程内容 2.1 图像识别分类基本介绍计算机的图像识别 ...
Android Studio编写一个手写字体识别程序
1.activity_main.xml 的代码 <?xml version="1.0" encoding="utf-8"?> <LinearL ...
人工智能入门第一课：手写字体识别及可视化项目（手写画板）（mnist）
人工智能入门第一课:手写字体识别及可视化项目(手写画板)(mnist),使用技术(Django+js+tensorflow+html+bootstrap+inspinia框架) 直接上图,项目效果 1 ...
Pytorch实现mnist手写数字识别
2020/6/29 Hey,突然想起来之前做的一个入门实验,用pytorch实现mnist手写数字识别.可以在这个基础上增加网络层数,或是尝试用不同的数据集,去实现不一样的功能. Mnist数据集如图 ...
python手写字体程序_深度学习---手写字体识别程序分析（python）
我想大部分程序员的第一个程序应该都是"hello world",在深度学习领域,这个"hello world"程序就是手写字体识别程序. 这次我们详细的分析下手 ...
实验3 手写字体识别【机器学习】
推荐 python实现手写数字识别(小白入门) 原文MNIST Handwritten Digit Recognition in PyTorch 翻译用PyTorch实现MNIST手写数字识别(非常详 ...

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

pytorch rnn 实现手写字体识别相关推荐

最新文章

热门文章

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

pytorch rnn 实现手写字体识别相关推荐

最新文章

热门文章

使用RNN 训练和测试数据