PyTorch基础-softmax函数mnist数据集识别-03

softmax函数

代码

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

# 定义网络结构
class Net(nn.Module):def __init__(self):super(Net,self).__init__()# 初始化self.fc1 = nn.Linear(784,10) # 784个输入10个输出self.softmax = nn.Softmax(dim=1) # 激活函数 dim=1表示对第一个维度进行概率计算def forward(self,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) # 传给全连接层继续计算x = self.softmax(x) # 使用softmax激活函数进行计算return x

# 定义模型
model = Net()
# 定义代价函数
mse_loss = nn.MSELoss()
# 定义优化器
optimizer = optim.SGD(model.parameters(),lr=0.5)

# 定义模型训练和测试的方法
def 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)# to onehot 把数据标签变成独热编码labels = labels.reshape(-1,1) # 先把1维变成2维（64）-（64，1）# tensor.scatter(dim,index,src)# dim:对那个维度进行独热编码# index：要将src中对应的值放到tensor那个位置# src：插入index的数值one_hot = torch.zeros(inputs.shape[0],10).scatter(1,labels,1)# 计算loss   mse_loss的两个数据的shape要一致loss = mse_loss(out,one_hot)# 梯度清零optimizer.zero_grad()# 计算梯度loss.backward()# 修改权值optimizer.step()def test():correct = 0for 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)))

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

PyTorch基础-softmax函数mnist数据集识别-03相关推荐

PyTorch基础-交叉熵函数mnist数据集识别-04
交叉熵代码 import numpy as np import torch from torch import nn,optim from torch.autograd import Variabl ...
机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）
机器学习Tensorflow基于MNIST数据集识别自己的手写数字(读取和测试自己的模型)
基于一个线性层的softmax回归模型和MNIST数据集识别自己手写数字
原博文是用cnn识别,因为我是在自己电脑上跑代码,用不了处理器,所以参考Mnist官网上的一个线性层的softmax回归模型的代码,把两篇文章结合起来识别. 最后效果源代码识别mnist数据集的准确 ...
TensorFlow：实战Google深度学习框架（四）MNIST数据集识别问题
第5章 MNIST数字识别问题 5.1 MNIST数据处理 5.2 神经网络的训练以及不同模型结果的对比 5.2.1 TensorFlow训练神经网络 5.2.2 使用验证数据集判断模型的效果 5.2 ...
深度学习基础实战使用MNIST数据集对图片分类
本文代码完全借鉴pytorch中文手册 '''我们找到数据集,对数据做预处理,定义我们的模型,调整超参数,测试训练,再通过训练结果对超参数进行调整或者对模型进行调整.''' import torch ...
深度学习入门-误差反向传播法（人工神经网络实现mnist数据集识别）
文章目录误差反向传播法 5.1 链式法则与计算图 5.2 计算图代码实践 5.3激活函数层的实现 5.4 简单矩阵求导 5.5 Affine 层的实现 5.6 softmax-with-loss层计 ...
[转载] 卷积神经网络做mnist数据集识别
参考链接: 卷积神经网络在mnist数据集上的应用 Python TensorFlow是一个非常强大的用来做大规模数值计算的库.其所擅长的任务之一就是实现以及训练深度神经网络. 在本教程中,我们将学到 ...
Keras【Deep Learning With Python】MNIST数据集识别优化
文章目录前言 1 线性回归预测 2 手写数字识别 3 模型优化前言本文分为三部分: a.线性回归 b.手写数字识别 c.手写数字识别模型优化. 1 线性回归预测 import keras Usi ...
深度学习之基于卷积神经网络实现超大Mnist数据集识别
在以往的手写数字识别中,数据集一共是70000张图片,模型准确率可以达到99%以上的准确率.而本次实验的手写数字数据集中有120000张图片,而且数据集的预处理方式也是之前没有遇到过的.最终在验证集上 ...

PyTorch基础-softmax函数mnist数据集识别-03

softmax函数

代码

PyTorch基础-softmax函数mnist数据集识别-03相关推荐

最新文章

热门文章