代码

从今天起每天的一个，虽然现在是模仿，但是很开心，谢谢

# 构建卷积神经网络
"""卷积网络中的输入层与传统神经网络有些区别，需重新设计，训练模块基本一致"""
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as f
from torchvision import datasets, transforms
import matplotlib.pyplot as plt
import numpy as np# 1、首先读取数据
"""
分别构建训练集和测试集（验证集）
DataLoader来迭代取数据
"""
# 1.1 定义超参数
input_size = 28  # 图像的总尺寸28*28*1
num_classes = 10  # 标签的种类数
num_epochs = 3  # 训练的总循环周期
batch_size = 64  # 一个撮（批次）的大小，64张图片# 1.2 训练集
train_dataset = datasets.MNIST(root='./data',train=True,transform=transforms.ToTensor(),download=True)
# 1.3 测试集
test_dataset = datasets.MNIST(root='./data',train=False,transform=transforms.ToTensor())
# 1.4 构建batch数据
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=True)
# 2、卷积神经网络该怎么构建模块呢？
"""
一般卷积层，relu层，池化层可以写成一个套餐
注意卷积最后结果还是一个特征图，需要把特征图转换成向量才能做分类或者回归任务
"""class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()# 1、第一个卷积模块（单元）self.conv1 = nn.Sequential(  # 输入大小（1，28，28）nn.Conv2d(in_channels=1,  # 当前输入的特征图的个数，因为输入图是灰度图，所以channel=1out_channels=16,  # 要得到多少个特征图【输出特征图的个数，这里是用16个卷积核对当前图片进行特征提取，就会得到16个特征图】kernel_size=5,  # 卷积核大小【每个多大的小区域进行特征提取】stride=1,  # 步长，每个多大进行滑动padding=2,# 如果希望卷积后大小跟原来一样，需要设置padding=(kernel_size-1)/2 if# stride=1【padding的意思，我们对图像做边缘填充，padding=1表示在图像周围加一圈0，写2就是加2圈o】),nn.ReLU(),  # relu层nn.MaxPool2d(kernel_size=2),  # 进行池化操作（2*2区域),输出结果为：（16，14，14）)# 2、第二个卷积模块（单元）self.conv2 = nn.Sequential(  # 下一套餐的输入（16，14，14）nn.Conv2d(16, 32, 5, 1, 1),  # 输出（32，14，14）nn.ReLU(),  # Relu层nn.MaxPool2d(2),  # 输出（32，7，7）)self.out = nn.Linear(32 * 6 * 6, 10)  # 全连接层得到的结果# 3、前向传播：就是数据走一遍模型def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0), -1)  # 【因为下一层要做全连接了，我就把当前结果全部转换成向量的格式】flatten操作，结果为：(batch_size,32*7*7)output = self.out(x)  # 最后用向量(*)乘以w后+breturn output# 3、准确率作为评估标准
def accuracy(predictions, labels):pred = torch.max(predictions.data, 1)[1]rights = pred.eq(labels.data.view_as(pred)).sum()return rights, len(labels)# 4、训练网络模型
'1、实例化'
net = CNN()
'2、损失函数'
criterion = nn.CrossEntropyLoss()
'3、定义优化器，普通的随机的梯度下降法'
optizer = optim.Adam(net.parameters(), lr=0.001)
'4、开始循环训练'
for epoch in range(num_epochs):'5、当前epoch的结果保存下来'train_rights = []for batch_idx, (data, target) in enumerate(train_loader):  # 针对容器中的每一个批次进行循环net.train()output = net(data)loss = criterion(output, target)loss.backward()optizer.step()right = accuracy(output, target)train_rights.append(right)if batch_idx % 100 == 0: # 每隔100次在验证集上看效果是多少net.eval()val_rights = []for (data, target) in test_loader:output = net(data)right = accuracy(output, target)val_rights.append(right)# 6、准确率计算train_r = (sum([tup[0] for tup in train_rights]), sum([tup[1] for tup in train_rights]))val_r = (sum([tup[0] for tup in val_rights]), sum([tup[1] for tup in val_rights]))print('当前epoch:{} [{} / {}  ({:.0f}%)]\t损失：{:.6f}\t训练集准确率：{:.2f}\t测试集准确率:{:.2f}'.format(epoch,batch_idx * batch_size,len(train_loader.dataset),100. * batch_idx / len(train_loader),loss.data,100. * train_r[0].numpy() / train_r[1],100. * val_r[0].numpy() / val_r[1]))

结果图

卷积神经网络--MINIST数据集相关推荐

tensorflow预定义经典卷积神经网络和数据集tf.keras.applications
自己开发了一个股票软件,功能很强大,需要的点击下面的链接获取: https://www.cnblogs.com/bclshuai/p/11380657.html 1.1 tensorflow预定义经 ...
PyTorch做神经网络MINIST数据集多分类
PyTorch是Facebook的AI研究团队发布的python工具包,主要用于深度学习.这篇文章我们一起学习一下如何使用PyTorch搭建神经网络训练分类模型,这里我们用的数据集是Yann LeCu ...
计算机视觉学习10_LeNet_卷积神经网络_Mnist数据集分析
文章目录原理部分 LeNet5 数据与实验可视化匹配结果分析个人数据匹配代码节选原理部分卷积神经网络参考:https://my.oschina.net/u/876354/blog/1620 ...
简单的卷积神经网络编程,卷积神经网络算法代码
关于AlphaGo的一些错误说法最近看了一些关于alphago围棋对弈的一些人工智能的文章,尤其是美国人工智能方面教授的文章,发现此前媒体宣传的东西几乎都是错的,都是夸大了alpha狗.我做了一个阅 ...
第二课.图卷积神经网络
目录卷积神经网络图卷积神经网络 GNN数据集图的表示 GCN GNN的基准化:Benchmarking Graph Neural Networks 卷积神经网络在计算机视觉中,卷积网络是一种高 ...
TensorFlow 2.0 mnist手写数字识别(CNN卷积神经网络)
TensorFlow 2.0 (五) - mnist手写数字识别(CNN卷积神经网络) 源代码/数据集已上传到 Github - tensorflow-tutorial-samples 大白话讲解卷积 ...
TensorFlow2.0(九)--Keras实现基础卷积神经网络
Keras实现基础卷积神经网络 1. 卷积神经网络基础 2. Keras实现卷积神经网络 2.1 导入相应的库 2.2 数据集的加载与处理 2.3 构建模型 2.4 模型的编译与训练 2.5 学习曲线 ...
独家 | 一文带你上手卷积神经网络实战（附数据集学习资料）
原文标题:Understanding deep Convolutional Neural Networks with a practical use-case in Tensorflow and Ke ...
Python深度学习之搭建小型卷积神经网络（Kaggle网站Dogs-vs-Cats数据集）
完全来源与<Python深度学习>中的例子,仅供学习只用. Cats vs. Dogs(猫狗大战)是Kaggle大数据竞赛的数据集,数据集由训练数据和测试数据组成,训练数据包含猫和狗各12 ...
深度学习之利用TensorFlow实现简单的卷积神经网络（MNIST数据集）
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习 ...

卷积神经网络--MINIST数据集

最简单的CNN

代码

结果图

卷积神经网络--MINIST数据集相关推荐

最新文章

热门文章