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。