CNN的理论部分可见机器学习笔记：CNN卷积神经网络_刘文巾的博客-CSDN博客

1 导入库

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision
import matplotlib.pyplot as plt

2 超参数定义

EPOCH=1
BATCH_SIZE=50
LR=0.001
DOWNLOAD_MNIST=False
#如果已经事先下载好了 mnist数据，那么DOWNLOAD_MNIST就是False，否则就是True

3 加载数据

train_data=torchvision.datasets.MNIST(
root='./mnist/',
#从这个路径找mnist数据/下载mnist数据到这个路径下
train=True,
#这时候数据是训练集（是训练集还是测试集对dropout等会有影响）
transform=torchvision.transforms.ToTensor()
#将mnist数据集中的数据类型转换为Tensor形式,
download=DOWNLOAD_MNIST)

4 数据集信息及可视化

print(train_data.data.shape)
#torch.Size([60000, 28, 28])
#60000条数据，每条数据是28*28的像素点train_data.targets.shape
#torch.Size([60000])
#训练集数据的标签，每条数据对应一个标签，代表这张图片是哪个数字#可视化
plt.imshow(train_data.data[1])
plt.title("{}".format(train_data.targets.data[1]))

5 dataloader生成

#生成dataloader
train_loader=Data.DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True
)

6 CNN模型定义

class CNN(nn.Module):def __init__(self):super(CNN,self).__init__()self.conv1=nn.Sequential(nn.Conv2d(in_channels=1,
#输入shape (1,28,28)out_channels=16,
#输出shape(16,28,28)，16也是卷积核的数量kernel_size=5,stride=1,padding=2),
#如果想要conv2d出来的图片长宽没有变化，那么当stride=1的时候，padding=(kernel_size-1)/2nn.ReLU(),nn.MaxPool2d(kernel_size=2)#在2*2空间里面下采样，输出shape(16,14,14))self.conv2=nn.Sequential(nn.Conv2d(in_channels=16,
#输入shape (16,14,14)out_channels=32,
#输出shape(32,14,14)kernel_size=5,stride=1,padding=2),
#输出shape(32,7,7),nn.ReLU(),nn.MaxPool2d(kernel_size=2))self.fc=nn.Linear(32*7*7,10)
#输出一个十维的东西，表示我每个数字可能性的权重def forward(self,x):x=self.conv1(x)x=self.conv2(x)x=x.view(x.shape[0],-1)x=self.fc(x)return xcnn=CNN()
print(cnn)
'''
CNN((conv1): Sequential((0): Conv2d(1, 16, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))(1): ReLU()(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(conv2): Sequential((0): Conv2d(16, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))(1): ReLU()(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(fc): Linear(in_features=1568, out_features=10, bias=True)
)
'''

7 定义优化函数和损失函数

optimizer=torch.optim.SGD(cnn.parameters(),lr=LR)loss_func=torch.nn.CrossEntropyLoss()
#损失函数定义为交叉熵loss_his=[]

8 训练模型

for epoch in range(EPOCH):for step,(b_x,b_y) in enumerate(train_loader):output=cnn(b_x)loss=loss_func(output,b_y)loss_his.append(loss)optimizer.zero_grad()
#清除上一次参数更新的残余梯度loss.backward()
#损失函数后向传播optimizer.step()
#参数更新

9 损失函数可视化

plt.figure(figsize=(10,5))
plt.plot(loss_his)

10 结果验证

tmp=train_data.data[3]
print(tmp.shape)
#torch.Size([28, 28])plt.imshow(tmp)print(train_data.targets[3])
#1tmp=tmp.reshape(1,1,28,28)
#reshape一下，这样可以送入模型中cnn(tmp.type(torch.FloatTensor))
#type那一部分必须要，否则报错“#RuntimeError: expected scalar type Byte but found Float”#tensor([[-74.7790, 140.8805,  54.7678,   2.0222, -28.6432, -62.3598, -20.4240,
#         -44.9795, 110.6059, -37.1277]], grad_fn=<AddmmBackward>)torch.max(cnn(tmp.type(torch.FloatTensor)),axis=1)[1]
#tensor([1])

pytorch笔记：搭建简易CNN相关推荐

【卷积神经网络CNN 数学原理分析与源码详解深度学习 Pytorch笔记 B站刘二大人（9/10）】
卷积神经网络CNN 数学原理分析与源码详解深度学习 Pytorch笔记 B站刘二大人(9/10) 本章主要进行卷积神经网络的相关数学原理和pytorch的对应模块进行推导分析代码也是通过demo实 ...
【卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别源码详解深度学习 Pytorch笔记 B站刘二大人（9.5/10）】
卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别源码详解深度学习 Pytorch笔记 B站刘二大人 (9.5/10) 在上一章已经完成了卷积神经网络的结构分析,并通过各个模块理解 ...
李沐《动手学深度学习》第二版 pytorch笔记1 环境搭建
李沐<动手学深度学习>第二版pytorch笔记1 搭建环境文章目录李沐<动手学深度学习>第二版pytorch笔记1 搭建环境此时尚有耐心虚拟环境搭建创建虚拟环境查看 ...
pytorch 笔记：torchsummary
作用:打印神经网络的结构以pytorch笔记:搭建简易CNN_UQI-LIUWJ的博客-CSDN博客中搭建的CNN为例 import torch from torchsummary import ...
pytorch 笔记：使用Tune 进行调参
自动进行调参,我们以pytorch笔记:搭建简易CNN_UQI-LIUWJ的博客-CSDN博客的代码为基础,进行output_channel和learning rate的调参 1 导入库 from f ...
pytorch笔记：policy gradient
本文参考了策略梯度PG( Policy Gradient) 的pytorch代码实现示例 cart-pole游戏_李莹斌XJTU的博客-CSDN博客_策略梯度pytorch 在其基础上添加了注释和自 ...
【深度学习】Keras vs PyTorch vs Caffe：CNN实现对比
作者 | PRUDHVI VARMA 编译 | VK 来源 | Analytics Indiamag 在当今世界,人工智能已被大多数商业运作所应用,而且由于先进的深度学习框架,它非常容易部署.这些深度 ...
Pytorch笔记：风格迁移
Pytorch笔记:风格迁移训练模型:风格迁移网络+VGG16网络生成网络:风格迁移网络代码如下(根据陈云<深度学习框架:Pytorch入门与实践>的代码改动) main.py im ...
Pytorch快速搭建Alexnet实现手写英文字母识别+PyQt实现鼠标绘图
Pytorch快速搭建Alexnet实现手写英文字母识别+PyQt实现鼠标绘图前言一.案例要求二.训练数据准备 1.下载手写英文字母数据集 2.构建自己的数据集三.AlexNet实现 1.Al ...

pytorch笔记：搭建简易CNN

1 导入库

2 超参数定义

3 加载数据

4 数据集信息及可视化

5 dataloader生成

6 CNN模型定义

7 定义优化函数和损失函数

8 训练模型

9 损失函数可视化

10 结果验证

pytorch笔记：搭建简易CNN相关推荐

最新文章

热门文章