pytorch教程实现mnist手写数字识别代码示例

000
目录

1.构建网络2.编写训练代码3.编写测试代码4.指导程序train和test5.完整代码

1.构建网络

nn.Moudle是pytorch官方指定的编写Net模块，在init函数中添加需要使用的层，在foeword中定义网络流向。

下面详细解释各层：

conv1层：输入channel = 1 ，输出chanael = 10，滤波器5*5

maxpooling = 2*2

conv2层：输入channel = 10 ，输出chanael = 20，滤波器5*5,

dropout

maxpooling = 2*2

fc1层：输入320 个神经单元，输出50个神经单元
fc1层：输入50个神经单元 ，输出10个神经单元

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)         
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10) 
    def forward(self, x):                                 #x.size() = 28*28*1
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))  #x.size() =12*12*10    
        x = x.view(-1, 320)                                          #x.size() =1*320 
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

2.编写训练代码

model = Net()                                 #调用写好的网络
if args.cuda:                                 #如果有GPU使用CPU
    model.cuda()
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)   #设置SGD随机梯度下降算法
def train(epoch):                                                 
    model.train()                             
    for batch_idx, (data, target) in enumerate(train_loader):
        if args.cuda:
            data, target = data.cuda(), target.cuda()
        data, target = Variable(data), Variable(target)
        optimizer.zero_grad()                                  #梯度初始化为O
        output = model(data) 
        loss = F.nll_loss(output, target)                      #简历loss function
        loss.backward()                                        #反向传播，计算梯度
        optimizer.step()                                       #更新权重
        if batch_idx % args.log_interval == 0:                 #输出信息
            print(\'Train Epoch: {} [{}/{} ({:.0f}%)]\\tLoss: {:.6f}\'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.data[0]))

3.编写测试代码

def test():
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        if args.cuda:
            data, target = data.cuda(), target.cuda()
        data, target = Variable(data, volatile=True), Variable(target)
        output = model(data)
        test_loss += F.nll_loss(output, target, size_average=False).data[0] # sum up batch loss
        pred = output.data.max(1, keepdim=True)[1] # get the index of the max log-probability
        correct += pred.eq(target.data.view_as(pred)).long().cpu().sum()
     test_loss /= len(test_loader.dataset)
    print(\'\\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\\n\'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

4.指导程序train和test

for epoch in range(1, args.epochs + 1):
    train(epoch)                              #训练N个epoch
    test()                                    #检验在测试集上的表现

5.完整代码

# -*- coding: utf-8 -*-
from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
# Training settings
parser = argparse.ArgumentParser(description=\'PyTorch MNIST Example\')
parser.add_argument(\'--batch-size\', type=int, default=64, metavar=\'N\',
                    help=\'input batch size for training (default: 64)\')
parser.add_argument(\'--test-batch-size\', type=int, default=1000, metavar=\'N\',
                    help=\'input batch size for testing (default: 1000)\')
parser.add_argument(\'--epochs\', type=int, default=10, metavar=\'N\',
                    help=\'number of epochs to train (default: 10)\')
parser.add_argument(\'--lr\', type=float, default=0.01, metavar=\'LR\',
                    help=\'learning rate (default: 0.01)\')
parser.add_argument(\'--momentum\', type=float, default=0.5, metavar=\'M\',
                    help=\'SGD momentum (default: 0.5)\')
parser.add_argument(\'--no-cuda\', action=\'store_true\', default=False,
                    help=\'disables CUDA training\')
parser.add_argument(\'--seed\', type=int, default=1, metavar=\'S\',
                    help=\'random seed (default: 1)\')
parser.add_argument(\'--log-interval\', type=int, default=10, metavar=\'N\',
                    help=\'how many batches to wait before logging training status\')
args = parser.parse_args()
args.cuda = not args.no_cuda and torch.cuda.is_available()
 
torch.manual_seed(args.seed)
if args.cuda:
    torch.cuda.manual_seed(args.seed) 
kwargs = {\'num_workers\': 1, \'pin_memory\': True} if args.cuda else {}
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST(\'../data\', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=args.batch_size, shuffle=True, **kwargs)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST(\'../data\', train=False, transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=args.test_batch_size, shuffle=True, **kwargs)
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10) 
    def forward(self, x):
        print (x.size())
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        print(x.size())
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        print(x.size())
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)
 model = Net()                                 #调用写好的网络
if args.cuda:                                 #如果有GPU使用CPU
    model.cuda()
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)   #设置SGD随机梯度下降算法
def train(epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        if args.cuda:
            data, target = data.cuda(), target.cuda()
        data, target = Variable(data), Variable(target)
        optimizer.zero_grad()                                  #梯度初始化为O
        output = model(data)
        loss = F.nll_loss(output, target)                      #简历loss function
        loss.backward()                                        #反向传播，计算梯度
        optimizer.step()                                       #更新权重
        if batch_idx % args.log_interval == 0:                 #输出信息
            print(\'Train Epoch: {} [{}/{} ({:.0f}%)]\\tLoss: {:.6f}\'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.data[0]))
def test():
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        if args.cuda:
            data, target = data.cuda(), target.cuda()
        data, target = Variable(data, volatile=True), Variable(target)
        output = model(data)
        test_loss += F.nll_loss(output, target, size_average=False).data[0] # sum up batch loss
        pred = output.data.max(1, keepdim=True)[1] # get the index of the max log-probability
        correct += pred.eq(target.data.view_as(pred)).long().cpu().sum()
 
    test_loss /= len(test_loader.dataset)
    print(\'\\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\\n\'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset))) 
for epoch in range(1, args.epochs + 1):
    train(epoch)
    test()

以上就是pytorch教程实现mnist手写数字识别代码示例的详细内容，更多关于pytorch实现mnist手写数字识别的资料请关注免费资源网其它相关文章！

© 版权声明
版权声明 1 本网站名称：偶像资源网
2 本站永久网址：https://www.ox520.com
3 本网站的文章部分内容可能来源于网络，仅供大家学习与参考，如有侵权，请联系站长 QQ593098775进行删除处理。
4 本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
5 本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报
6 本站资源大多存储在云盘，如发现链接失效，请联系我们我们会第一时间更新。
THE END
Python
# 编程开发# python
喜欢就支持一下吧
点赞0 分享
网络的头像-偶像资源网
python多维列表总是只转为一维数组问题解决-偶像资源网
python多维列表总是只转为一维数组问题解决
python多维列表总是只转为一维数组问题解决
28天前 41
Python pyecharts 数据可视化模块的配置方法-偶像资源网
Python pyecharts 数据可视化模块的配置方法
Python pyecharts 数据可视化模块的配置方法
28天前 28
CSS 点击radio实现两个图片样式切换并且多个radio中只能有一个checked-偶像资源网
CSS 点击radio实现两个图片样式切换并且多个radio中只能有一个checked
CSS 点击radio实现两个图片样式切换并且多个radio中只能有一个checke...
31天前 4
jQuery实现滚动效果-偶像资源网
jQuery实现滚动效果
jQuery实现滚动效果
28天前 3
PHP队列原理及基于队列的写文件案例-偶像资源网
PHP队列原理及基于队列的写文件案例
PHP队列原理及基于队列的写文件案例
28天前 2
css文本两端对齐的实现代码-偶像资源网
css文本两端对齐的实现代码
css文本两端对齐的实现代码
31天前 2
相关推荐
python多维列表总是只转为一维数组问题解决-偶像资源网
python多维列表总是只转为一维数组问题解决
python多维列表总是只转为一维数组问题解决
28天前 41
Python pyecharts 数据可视化模块的配置方法-偶像资源网
Python pyecharts 数据可视化模块的配置方法
Python pyecharts 数据可视化模块的配置方法
28天前 28
吊打全网所有精美导航页引导页HTML源码-偶像资源网
吊打全网所有精美导航页引导页HTML源码
吊打全网所有精美导航页引导页HTML源码
31天前 24
css的基本选择器有哪些？-偶像资源网
css的基本选择器有哪些？
css的基本选择器有哪些？
32天前 23
5.9K⭐ 轻松搞定定时任务！Web管理超便捷-偶像资源网
5.9K⭐ 轻松搞定定时任务！Web管理超便捷
5.9K⭐ 轻松搞定定时任务！Web管理超便捷
31天前 23
CSS 点击radio实现两个图片样式切换并且多个radio中只能有一个checked-偶像资源网
CSS 点击radio实现两个图片样式切换并且多个radio中只能有一个checked
CSS 点击radio实现两个图片样式切换并且多个radio中只能有一个checked
31天前 4
评论 抢沙发

请登录后发表评论

    暂无评论内容