前言：
本篇文章基于卷积神经网络CNN，使用PyTorch实现MNIST数据集手写数字识别。
一、PyTorch是什么？
PyTorch 是一个 Torch7 团队开源的 Python 优先的深度学习框架，提供两个高级功能：
- 强大的 GPU 加速 Tensor 计算（类似 numpy）
- 构建基于 tape 的自动升级系统上的深度神经网络
你可以重用你喜欢的 python 包，如 numpy、scipy 和 Cython ，在需要时扩展 PyTorch。
二、程序示例
下面案例可供运行参考
1.引入必要库
import torchvision import torch from torch.utils.data import DataLoader import torch.nn.functional as F
2.下载数据集
这里设置download=True，将会自动下载数据集，并存储在./data文件夹。
train_data = torchvision.datasets.MNIST(root="./data",train=True,transform=torchvision.transforms.ToTensor(),download=True) test_data = torchvision.datasets.MNIST(root="./data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
3.加载数据集
batch_size=32表示每一个batch中包含32张手写数字图片，shuffle=True表示打乱测试集（data和target仍一一对应）
train_loader = DataLoader(train_data,batch_size=32,shuffle=True) test_loader = DataLoader(test_data,batch_size=32,shuffle=False)
4.搭建CNN模型并实例化
class Net(torch.nn.Module):
def __init__(self):
super(Net,self).__init__()
self.con1 = torch.nn.Conv2d(1,10,kernel_size=5)
self.con2 = torch.nn.Conv2d(10,20,kernel_size=5)
self.pooling = torch.nn.MaxPool2d(2)
self.fc = torch.nn.Linear(320,10)
def forward(self,x):
batch_size = x.size(0)
x = F.relu(self.pooling(self.con1(x)))
x = F.relu(self.pooling(self.con2(x)))
x = x.view(batch_size,-1)
x = self.fc(x)
return x
#模型实例化
model = Net()5.交叉熵损失函数损失函数及SGD算法优化器
lossfun = torch.nn.CrossEntropyLoss() opt = torch.optim.SGD(model.parameters(),lr=0.01,momentum=0.5)
6.训练函数
def train(epoch):
running_loss = 0.0
for i,(inputs,targets) in enumerate(train_loader,0):
# inputs,targets = inputs.to(device),targets.to(device)
opt.zero_grad()
outputs = model(inputs)
loss = lossfun(outputs,targets)
loss.backward()
opt.step()
running_loss = loss.item()
if i % 300 == 299:
print('[%d，%d] loss:%.3f' % (epoch 1,i 1,running_loss/300))
running_loss = 0.07.测试函数
def test():
total = 0
correct = 0
with torch.no_grad():
for (inputs,targets) in test_loader:
# inputs, targets = inputs.to(device), targets.to(device)
outputs = model(inputs)
_,predicted = torch.max(outputs.data,dim=1)
total = targets.size(0)
correct = (predicted == targets).sum().item()
print(100*correct/total)8.运行
if __name__ == '__main__':
for epoch in range(20):
train(epoch)
test()三、总结
到此这篇关于PyTorch实现MNIST数据集手写数字识别详情的文章就介绍到这了,更多相关PyTorch MNIST 内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！