Pytorch實現的手寫數字mnist識別功能完整示例
阿新 • • 發佈:2020-01-09
本文例項講述了Pytorch實現的手寫數字mnist識別功能。分享給大家供大家參考,具體如下:
import torch import torchvision as tv import torchvision.transforms as transforms import torch.nn as nn import torch.optim as optim import argparse # 定義是否使用GPU device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 定義網路結構 class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() self.conv1 = nn.Sequential( #input_size=(1*28*28) nn.Conv2d(1,6,5,1,2),#padding=2保證輸入輸出尺寸相同 nn.ReLU(),#input_size=(6*28*28) nn.MaxPool2d(kernel_size=2,stride=2),#output_size=(6*14*14) ) self.conv2 = nn.Sequential( nn.Conv2d(6,16,5),nn.ReLU(),#input_size=(16*10*10) nn.MaxPool2d(2,2) #output_size=(16*5*5) ) self.fc1 = nn.Sequential( nn.Linear(16 * 5 * 5,120),nn.ReLU() ) self.fc2 = nn.Sequential( nn.Linear(120,84),nn.ReLU() ) self.fc3 = nn.Linear(84,10) # 定義前向傳播過程,輸入為x def forward(self,x): x = self.conv1(x) x = self.conv2(x) # nn.Linear()的輸入輸出都是維度為一的值,所以要把多維度的tensor展平成一維 x = x.view(x.size()[0],-1) x = self.fc1(x) x = self.fc2(x) x = self.fc3(x) return x #使得我們能夠手動輸入命令列引數,就是讓風格變得和Linux命令列差不多 parser = argparse.ArgumentParser() parser.add_argument('--outf',default='./model/',help='folder to output images and model checkpoints') #模型儲存路徑 parser.add_argument('--net',default='./model/net.pth',help="path to netG (to continue training)") #模型載入路徑 opt = parser.parse_args() # 超引數設定 EPOCH = 8 #遍歷資料集次數 BATCH_SIZE = 64 #批處理尺寸(batch_size) LR = 0.001 #學習率 # 定義資料預處理方式 transform = transforms.ToTensor() # 定義訓練資料集 trainset = tv.datasets.MNIST( root='./data/',train=True,download=True,transform=transform) # 定義訓練批處理資料 trainloader = torch.utils.data.DataLoader( trainset,batch_size=BATCH_SIZE,shuffle=True,) # 定義測試資料集 testset = tv.datasets.MNIST( root='./data/',train=False,transform=transform) # 定義測試批處理資料 testloader = torch.utils.data.DataLoader( testset,shuffle=False,) # 定義損失函式loss function 和優化方式(採用SGD) net = LeNet().to(device) criterion = nn.CrossEntropyLoss() # 交叉熵損失函式,通常用於多分類問題上 optimizer = optim.SGD(net.parameters(),lr=LR,momentum=0.9) # 訓練 if __name__ == "__main__": for epoch in range(EPOCH): sum_loss = 0.0 # 資料讀取 for i,data in enumerate(trainloader): inputs,labels = data inputs,labels = inputs.to(device),labels.to(device) # 梯度清零 optimizer.zero_grad() # forward + backward outputs = net(inputs) loss = criterion(outputs,labels) loss.backward() optimizer.step() # 每訓練100個batch列印一次平均loss sum_loss += loss.item() if i % 100 == 99: print('[%d,%d] loss: %.03f' % (epoch + 1,i + 1,sum_loss / 100)) sum_loss = 0.0 # 每跑完一次epoch測試一下準確率 with torch.no_grad(): correct = 0 total = 0 for data in testloader: images,labels = data images,labels = images.to(device),labels.to(device) outputs = net(images) # 取得分最高的那個類 _,predicted = torch.max(outputs.data,1) total += labels.size(0) correct += (predicted == labels).sum() print('第%d個epoch的識別準確率為:%d%%' % (epoch + 1,(100 * correct / total))) #torch.save(net.state_dict(),'%s/net_%03d.pth' % (opt.outf,epoch + 1))
更多關於Python相關內容可檢視本站專題:《Python數學運算技巧總結》、《Python圖片操作技巧總結》、《Python資料結構與演算法教程》、《Python函式使用技巧總結》、《Python字串操作技巧彙總》及《Python入門與進階經典教程》
希望本文所述對大家Python程式設計有所幫助。