pytorch实现CNN网络

import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision #包括了一些数据库，图片的数据库也包含了
import matplotlib.pyplot as plt#定义超参数
EPOCH = 1
BATCH_SIZE = 50
LR= 0.001
DOWNLOAD_MNIST = Truetrain_data = torchvision.datasets.MNIST(root = r'D:\python\minist', #存储路径train = True,transform = torchvision.transforms.ToTensor(), #把下载的数据改成Tensor形式#把(0-255)转换成(0-1)download = DOWNLOAD_MNIST #如果没下载就确认下载)#呈现数据
print(train_data.train_data.size()) #(60000,28,28)
print(train_data.train_labels.size()) #(60000)
plt.imshow(train_data.train_data[0].numpy(),cmap = 'gray')
plt.title('%i' %train_data.train_labels[0])
plt.show()

我们用torchvision下载数据集，数据集里训练数据是60000个

转换成了Tensor类型的数据
查看数据集里第一个数据，是torch.uint8类型，

访问训练集里的单个数据用train_data.train_data[0]查看，不然显示60000个，打印不完

查看测试集：

import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision #包括了一些数据库，图片的数据库也包含了
import matplotlib.pyplot as plt#定义超参数
EPOCH = 1
BATCH_SIZE = 50
LR= 0.001
DOWNLOAD_MNIST = True#准备训练集
train_data = torchvision.datasets.MNIST(root = r'D:\python\minist', #存储路径train = True,transform = torchvision.transforms.ToTensor(), #把下载的数据改成Tensor形式#把(0-255)转换成(0-1)download = DOWNLOAD_MNIST #如果没下载就确认下载,如果已经下载了就填False)##呈现数据
#print(train_data.train_data.size()) #(60000,28,28)
#print(train_data.train_labels.size()) #(60000)
#plt.imshow(train_data.train_data[0].numpy(),cmap = 'gray')
#plt.title('%i' %train_data.train_labels[0])
#plt.show()train_loader = Data.DataLoader(dataset = train_data,batch_size = BATCH_SIZE,shuffle = True)#准备测试集
test_data = torchvision.datasets.MNIST(root = r'D:\python\minist', #存储路径train = False,#提取出来的不是training data，是test datatransform = torchvision.transforms.ToTensor(), #把下载的数据改成Tensor形式#把(0-255)转换成(0-1)download = False #如果已经下载了，就用False))test_x = Variable(torch.unsqueeze(test_data.test_data,dim = 1),volatile = True).type(torch.FloatTensor)[:2000]/255
#把test_data换到0-1之间
test_y = test_data.test_labels[:2000]#建立CNN神经网路
class CNN(nn.Module):def __init__(self):super(CNN,self).__init__()self.conv1 = nn.Sequential(nn.Conv2d(in_channels = 1,#图像的高度out_channels = 16,#filter的高度，提取出来16个特征放到后面去kernel_size = 5,#filter为5*5,stride = 1,#扫描两个相邻区域之间的步长padding = 2 #在图片周围围上一圈0，使filter扫描的时候边缘不会出现不够的情况#padding = (kenrel_size-stride )/2 = (5-1)/2 = 2),#卷积层nn.ReLU(),#激活函数nn.MaxPool2d(kernel_size = 2),#池化层,筛选重要信息)self.conv2 = nn.Sequential(nn.Conv2d(16,32,5,1,2),#卷积层#前面输出16层，现在输入就是16层，输出就是32层nn.ReLU(),#激活函数nn.MaxPool2d(kernel_size = 2),#池化层,筛选重要信息)self.out = nn.Linear(32*7*7,10)#输出是0-9十个类别的分类#图片维度(1,28,28) -->conv2d --> (16,28,28) --> pa   dding --> (16,14,14)#-->(16,14,14) -->conv2d --> (32,14,14) --> padding --> (32,7,7)#三维数据展平成2维数据def forward(self,x):x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0),-1)  # 展平多维的卷积图成 (batch_size, 32 * 7 * 7)output = self.out(x)return outputcnn = CNN()
print(cnn) #打印结构

打印出来CNN结构：

接下来是优化器和训练过程，结果呈现

#优化器和loss
optimizer = torch.optim.Adam(cnn.parameters(),lr = LR)#优化器
loss_func = nn.CrossEntropyLoss()#计算损失函数#训练过程
for epoch in range(EPOCH):for step, (b_x, b_y) in enumerate(train_loader):   # 分配 batch data, normalize x when iterate train_loaderb_x = Variable(b_x) #batch xb_y = Variable(b_y) #batch youtput = cnn(b_x)               # cnn outputloss = loss_func(output, b_y)   # cross entropy lossoptimizer.zero_grad()           # clear gradients for this training steploss.backward()                 # backpropagation, compute gradientsoptimizer.step()                # apply gradients#打印出来训练效果if step % 50 == 0:test_output = cnn(test_x)pred_y = torch.max(test_output,1)[1].data.squeeze()accuracy = float((pred_y == test_y).numpy().astype(int).sum()) / float(test_y.size(0))#算括号里的是否等于，等于表示预测对了记一次，总共对的次数除以总数就是accuracyprint('Epoch: ',epoch,'| train loss: %.4f' % loss.data[0],'| test accuracy: %.2f' % accuracy)#拿测试集前十个数据测试一下效果
test_output = cnn(test_x[:10])
pred_y = torch.max(test_output,1)[1].data.numpy().squeeze()
print(pred_y,'prediction number')
print(test_y[:10].numpy(),'real number')

pytorch实现CNN网络相关推荐

MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三）...
版权声明:本文为博主原创文章,欢迎转载,并请注明出处.联系方式:460356155@qq.com 在前两篇文章MINIST深度学习识别:python全连接神经网络和pytorch LeNet CNN网 ...
Kaggle猫狗大战——基于Pytorch的CNN网络分类：数据获取、预处理、载入（1）
Kaggle猫狗大战--基于Pytorch的CNN网络分类:数据获取.预处理.载入(1) 第一次写CSDN博客,之前一直是靠着CSDN学学代码,这次不得不亲自上场了,就想着将学习的过程都记录下来.新人 ...
PyTorch中CNN网络参数计算和模型文件大小预估
前言在深度学习CNN构建过程中,网络的参数量是一个需要考虑的问题.太深的网络或是太大的卷积核.太多的特征图通道数都会导致网络参数量上升.写出的模型文件也会很大.所以提前计算网络参数和预估模型文件大小 ...
图像识别python cnn_MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（一）...
版权声明:本文为博主原创文章,欢迎转载,并请注明出处.联系方式:460356155@qq.com 全连接神经网络是深度学习的基础,理解它就可以掌握深度学习的核心概念:前向传播.反向误差传递.权重.学习 ...
【Pytorch分布式训练】在MNIST数据集上训练一个简单CNN网络，将其改成分布式训练
文章目录普通单卡训练-GPU 普通单卡训练-CPU 分布式训练-GPU 分布式训练-CPU 租GPU服务器相关以下代码示例基于:在MNIST数据集上训练一个简单CNN网络,将其改成分布式训练. 普 ...
pytorch：如何从头开始训练一个CNN网络？
文章目录前言一.CNN? 二.用单批量测试模型 1.引入库 2.读入数据集 3. 建造Module实例 4. 训练总结前言在刚开始学习Deep Learning时,一件几乎不可能的事情就是知 ...
迁移学习篇之如何迁移经典CNN网络-附迁移学习Alexnet，VGG，Googlenet，Resnet详细代码注释和方法-pytorch
鸽了好久的迁移学习篇学习终于打算更新,这次我们来学习一个机器学习中经典常用的简单快速提高网络指标的trick,迁移学习,迁移学习本身是机器学习中的一个trick,但是近些年在深度学习中应用广泛.之前我 ...
pytorch空间变换网络
pytorch空间变换网络本文将学习如何使用称为空间变换器网络的视觉注意机制来扩充网络.可以在DeepMind paper 有关空间变换器网络的内容. 空间变换器网络是对任何空间变换的差异化关注的概 ...
Pytorch和CNN图像分类
Pytorch和CNN图像分类 PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序.它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速, ...

pytorch实现CNN网络

pytorch实现CNN网络相关推荐

最新文章

热门文章