PyTorch基础-使用卷积神经网络CNN实现手写数据集识别-07

import numpy as np
import torch
from torch import nn,optim
from torch.autograd import Variable
from torchvision import datasets,transforms
from torch.utils.data import DataLoader

# 训练集
train_data = datasets.MNIST(root="./", # 存放位置train = True, # 载入训练集transform=transforms.ToTensor(), # 把数据变成tensor类型download = True # 下载)
# 测试集
test_data = datasets.MNIST(root="./",train = False,transform=transforms.ToTensor(),download = True)

# 批次大小
batch_size = 64
# 装载训练集
train_loader = DataLoader(dataset=train_data,batch_size=batch_size,shuffle=True)
# 装载测试集
test_loader = DataLoader(dataset=test_data,batch_size=batch_size,shuffle=True)

for i,data in enumerate(train_loader):inputs,labels = dataprint(inputs.shape)print(labels.shape)break

in_channel:　输入数据的通道数，例RGB图片通道数为3，灰色图通道数为1；

out_channel: 输出数据的通道数，这个根据模型调整；

kennel_size: 卷积核大小，可以是int，或tuple；kennel_size=2,意味着卷积大小2， kennel_size=（2,3），意味着卷积在第一维度大小为2，在第二维度大小为3；

stride：步长，默认为1，与kennel_size类似，stride=2,意味在所有维度步长为2， stride=（2,3），意味着在第一维度步长为2，意味着在第二维度步长为3；

padding：　零填充如：3X3的卷积窗口就填充1圈零，5X5的卷积窗口就填充2圈零，7X7的卷积窗口就填充3圈零

# 定义网络结构
class Net(nn.Module):def __init__(self):super(Net,self).__init__()# 初始化# nn.Conv2d(1,32,5,1,2): 通道数，输出，卷积窗口 步长，填充几圈0  激活函数relu   最大池化窗口2*2self.conv1 = nn.Sequential(nn.Conv2d(1,32,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2)) # 卷积层self.conv2 = nn.Sequential(nn.Conv2d(32,64,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2)) # 卷积层self.fc1 = nn.Sequential(nn.Linear(64*7*7,500),nn.Dropout(p=0.5),nn.ReLU()) # 全连接层 全连接层 features_in其实就是输入的神经元个数，features_out就是输出神经元个数 64*7*7,1000 64个特征图 大小7*7  输出500个特征图self.fc2 = nn.Sequential(nn.Linear(500,10),nn.Softmax(dim=1)) # 全连接层def forward(self,x):# torch.Size([64, 1, 28, 28])  # 卷积中需要传入4维  批次大小  图像通道数 图片大小x = self.conv1(x)x = self.conv2(x)# torch.Size([64, 1, 28, 28]) -> (64,784)x = x.view(x.size()[0],-1) # 4维变2维 （在全连接层做计算只能2维）x = self.fc1(x)x = self.fc2(x)return x

# 定义模型
model = Net()
# 定义代价函数
mse_loss = nn.CrossEntropyLoss()# 交叉熵
# 定义优化器
optimizer = optim.Adam(model.parameters(),lr=0.5)# 随机梯度下降

# 定义模型训练和测试的方法
def train():# 模型的训练状态model.train()for i,data in enumerate(train_loader):# 获得一个批次的数据和标签inputs,labels = data# 获得模型预测结果（64，10)out = model(inputs)# 交叉熵代价函数out（batch，C：类别的数量），labels（batch）loss = mse_loss(out,labels)# 梯度清零optimizer.zero_grad()# 计算梯度loss.backward()# 修改权值optimizer.step()def test():# 模型的测试状态model.eval()correct = 0 # 测试集准确率for i,data in enumerate(test_loader):# 获得一个批次的数据和标签inputs,labels = data# 获得模型预测结果（64，10)out = model(inputs)# 获得最大值，以及最大值所在的位置_,predicted = torch.max(out,1)# 预测正确的数量correct += (predicted==labels).sum()print("Test acc:{0}".format(correct.item()/len(test_data)))correct = 0for i,data in enumerate(train_loader): # 训练集准确率# 获得一个批次的数据和标签inputs,labels = data# 获得模型预测结果（64，10)out = model(inputs)# 获得最大值，以及最大值所在的位置_,predicted = torch.max(out,1)# 预测正确的数量correct += (predicted==labels).sum()print("Train acc:{0}".format(correct.item()/len(train_data)))

# 训练
for epoch in range(10):print("epoch:",epoch)train()test()

PyTorch基础-使用卷积神经网络CNN实现手写数据集识别-07相关推荐

深蓝学院第三章：基于卷积神经网络(CNN)的手写数字识别实践
参看之前篇章的用全连接神经网络去做手写识别:https://blog.csdn.net/m0_37957160/article/details/114105389?spm=1001.2014.3001 ...
手搓卷积神经网络(CNN)进行手写数字识别(python)
前言: 本文属于学习笔记性质.为了让自己更深入地理解卷积神经网络,我只用numpy.pandas等几个库手搓了一个识别MNIST数字的CNN.500张图单次训练,准确率70-80%. 注意: 1.代码 ...
PyTorch入门一：卷积神经网络实现MNIST手写数字识别
先给出几个入门PyTorch的好的资料: PyTorch官方教程(中文版):http://pytorch123.com <动手学深度学习>PyTorch版:https://github.c ...
【TensorFlow-windows】(四) CNN（卷积神经网络）进行手写数字识别（mnist）
主要内容: 1.基于CNN的mnist手写数字识别(详细代码注释) 2.该实现中的函数总结平台: 1.windows 10 64位 2.Anaconda3-4.2.0-Windows-x86_64. ...
【深度学习】我用 PyTorch 复现了 LeNet-5 神经网络（MNIST 手写数据集篇）！
今天我们将使用 Pytorch 来实现 LeNet-5 模型,并用它来解决 MNIST数据集的识别. 正文开始! 一.使用 LeNet-5 网络结构创建 MNIST 手写数字识别分类器 MNIST是一 ...
我用 PyTorch 复现了 LeNet-5 神经网络（MNIST 手写数据集篇）！
大家好,我是红色石头! 在上一篇文章: 这可能是神经网络 LeNet-5 最详细的解释了! 详细介绍了卷积神经网络 LeNet-5 的理论部分.今天我们将使用 Pytorch 来实现 LeNet-5 ...
Tensorflow之 CNN卷积神经网络的MNIST手写数字识别
点击"阅读原文"直接打开[北京站 | GPU CUDA 进阶课程]报名链接作者,周乘,华中科技大学电子与信息工程系在读. 前言 tensorflow中文社区对官方文档进行了完整翻 ...
pyqt5手写板+pytorch卷积神经网络，实现手写数字识别软件
卷积神经网络的结构 #定义网络结构 #不是le-net5的结构 class Net(nn.Module):def __init__(self):super(Net, self).__init__()# ...
神经网络学习（三）比较详细卷积神经网络原理、手写字体识别（卷积网络实现）
之前写了一篇基于minist数据集(手写数字0-9)的全连接层神经网络,识别率(85%)并不高,这段时间学习了一些卷积神经网络的知识又实践了一把, 识别率(96%左右)确实上来了 ,下面把我的学习过程 ...

PyTorch基础-使用卷积神经网络CNN实现手写数据集识别-07

PyTorch基础-使用卷积神经网络CNN实现手写数据集识别-07相关推荐

最新文章

热门文章