pytorch实现手写数字识别,pytorch自己做数据集

　　这篇文章主要介绍了PyTorch手写数字数据集进行多分类，损失函数采用交叉熵，激活函数采用雷鲁，优化器采用带有动量的小型批处理g算法，需要的朋友可以参考一下

目录

一、实现过程

　　本文对经典手写数字数据集进行多分类，损失函数采用交叉熵，激活函数采用雷鲁，优化器采用带有动量的小型批处理g算法。

　　所有代码如下：

0、导包

　　进口火炬

　　从参考导入变换、数据集

　　从torch.utils.data导入数据加载器

　　导入火炬. nn .功能为F

　　将火炬. optim作为使最优化导入

1、准备数据

　　批处理大小=64

　　转换=转换。撰写([

　　转变ToTensor()，

　　转变。规格化((0.1307),(0.3081),)

　　])

　　# 训练集

　　train_dataset=数据集MNIST(root= g :/datasets/mnist ，train=真，下载=假，转换=变换)

　　train _ loader=数据加载器(train _ dataset，shuffle=True，batch_size=batch_size)

　　# 测试集

　　测试数据集=数据集MNIST(root= g :/datasets/mnist ，train=False，download=False，transform=transform)

　　test _ loader=数据加载器(test _ dataset，shuffle=False，batch_size=batch_size)

2、设计模型

　　class Net(torch.nn.Module):

　　def __init__(self):

　　超级（净，自)。__init__()

　　self.l1=torch.nn.Linear(784，512)

　　self.l2=torch.nn.Linear(512，256)

　　self.l3=torch.nn.Linear(256，128)

　　self.l4=torch.nn.Linear(128，64)

　　self.l5=torch.nn.Linear(64，10)

　　定义向前（自身，x):

　　x=x.view(-1，784)

　　x=F.relu(self.l1(x))

　　x=F.relu(self.l2(x))

　　x=F.relu(self.l3(x))

　　x=F.relu(self.l4(x))

　　回归自我。l5(x)

　　模型=网络()

　　# 模型加载到国家政治保卫局。参见国家政治保卫局上

　　设备=手电筒。设备( cuda :0 如果火炬。cuda。is _ available()else CPU )

　　型号至（设备)

3、构造损失函数和优化器

　　标准=火炬。nn。交叉入口型()

　　optimizer=optim .新加坡元(模型参数()，lr=0.01，动量=0.5)

4、训练和测试

　　定义火车（纪元):

　　运行损失=0.0

　　对于batch_idx，枚举中的数据(火车_装载机，0):

　　输入，目标=数据

　　optimizer.zero_grad()

　　#向前向后更新

　　输出=模型（输入到（设备))

　　损耗=标准（输出，目标到（设备))

　　loss.backward()

　　optimizer.step()

　　running_loss=loss.item()

　　如果batch_idx % 300==299:

　　print([%d，%d] loss: %.3f % (epoch 1，batch_idx 1，running_loss/300))

　　运行损失=0.0

　　定义测试():

　　正确=0

　　总计=0

　　用火炬号_grad():

　　对于测试_加载程序：中的数据

　　图像、标签=数据

　　输出=模型（图像到（设备))

　　_,预测=torch.max(outputs.data，dim=1)

　　total=labels.size(0)

　　正确=(predicted.cpu()==标签)。sum().项目()

　　打印(测试集的准确度为： %d %% % (100 *正确/总计))

　　对于范围(10):中的纪元

　　火车（时代)

　　测试()

　　运行结果如下：

　　[1300]损失： 2.166

　　[1600]损失： 0.797

　　[1,900]损失： 0.405

　　测试集：的准确度为90 %

　　[2,300]损失： 0.303

　　[2600]损失： 0.252

　　[2,900]损失： 0.218

　　测试集：的准确度为94 %

　　[3300]损失： 0.178

　　[3600]损失： 0.168

　　[3900]损失： 0.142

　　测试集：的准确度为95 %

　　[4300]损失： 0.129

　　[4600]损失： 0.119

　　[4900]损失： 0.110

　　测试集：的准确度为96 %

　　[5300]损失： 0.094

　　[5600]损失： 0.092

　　[5900]损失： 0.091

　　测试集：的准确度为96 %

　　损失： 0.077

　　[6600]损失： 0.070

　　损失： 0.075

　　测试集：的准确度为97 %

　　[7,300]损失： 0.061

　　[7600]损失： 0.058

　　损失： 0.058

　　测试集：的准确度为97 %

　　[8300]损失： 0.043

　　[8,600]损失： 0.051

　　[8900]损失： 0.050

　　测试集：的准确度为97 %

　　损失： 0.041

　　[9600]损失： 0.038

　　损失： 0.043

　　测试集：的准确度为97 %

　　[10,300]损失： 0.030

　　[10,600]损失： 0.032

　　[10,900]损失： 0.033

　　测试集：的准确度为97 %

二、参考文献

　　[1]https://www.bilibili.com/video/BV1Y7411d7Ys? P=9就是这样。本文介绍了PyTorch手写数字数据集的多分类。更多相关python多分类内容，请搜索热门IT软件开发工作室往期文章或继续浏览以下相关文章。希望大家以后多多支持热门IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。