零基础入门PyTorch手写数字识别实战教程（含PyTorch环境搭建）——CNN篇

已于 2025-02-19 00:49:59 修改
阅读量1.2k 收藏 15
点赞数 41
分类专栏： PyTorch专题 Computer Version 文章标签： pytorch 人工智能 python 深度学习 计算机视觉 cnn
于 2025-02-10 01:29:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_83325465/article/details/145535002
版权

目录

引言

一、环境准备

（一）导入必要库

（二）环境搭建——已搭建可直接跳过

1，Anaconda下载

（1）官网下载（Download Anaconda Distribution | Anaconda）

（2）清华镜像网下载（推荐使用）

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

2，Pytorch安装前检查

（1）电脑未安装N卡

（2）电脑安装N卡

3，PyTorch-CPU版本安装

4，PyTorch-GPU版本安装

（1）查看 CUDA 显卡驱动版本

（2）安装 CUDA

（3）安装 CuDNN（cuda加速器）

（4）安装PyTorch-GPU

（5）检查是否安装成功

（三）定义超参数

二、数据集下载与导入

（一）MNIST 数据集基本介绍

（二）读取 MNIST 数据集

三、MNIST 识别流程及专业名词解释

（一）手写体识别流程

（二）专业名词解释

（1）参数与超参数

（2）batch_size 批处理

（3）epoch 轮次

（4）transforms 变换

（5）nomalize 正则化

（6）卷积层：

（7）池化层：

（8）激活层：

（9）损失函数：

（10）前向传播：

（11）反向传播

（12）梯度下降

四、构建网络模型（CNN）

五、定义损失函数和优化器

六、定义训练方法

（一）关键流程说明

1、设备部署

2、梯度管理

3、优化机制

4、训练监控

（二）功能特性

七、定义测试方法

（一）核心机制说明

1、验证模式设置

2、预测结果解析

3、精度计算流程

4、关键数学计算

（二）差异化特性

1、与训练模式的三大差异

2、工程优化特点

（三）附加说明

1、可扩展性：

八、调用六七步定义的函数进行训练

九、结果与分析

十、完整代码

引言

本文档详细介绍了使用 PyTorch 框架搭建一个简单的手写数字识别系统的全过程。从环境准备到模型训练与测试，每一步都包含详细的代码示例和操作指南。该系统利用卷积神经网络（CNN）处理 MNIST 数据集，旨在为初学者提供一个易于理解且可操作的项目案例。通过本教程，你将学会如何：

  • 准备必要的开发环境，包括安装 Anaconda、PyTorch（CPU/GPU 版本）和 OpenCV。
  • 下载并加载 MNIST 数据集。
  • 定义超参数及数据预处理步骤。
  • 构建并训练一个基本的卷积神经网络模型。
  • 定义损失函数和优化器，实现模型的前向与反向传播。
  • 设计并实现模型的训练与测试方法。
  • 分析模型在训练集与测试集上的表现，评估模型的准确性和稳定性。

无论你是刚刚接触深度学习的新手，还是希望复习相关知识的老手，希望本文都能提供宝贵的学习资源，最后欢迎各位大佬提出意见，谢谢大家~

一、环境准备

（一）导入必要库

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import cv2
import numpy as np
from torch.utils.data import DataLoader

（二）环境搭建——已搭建可直接跳过

1，Anaconda下载

（1）官网下载（Download Anaconda Distribution | Anaconda）

选择需要的安装包，按提示下载即可。

（2）清华镜像网下载（推荐使用）
Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

选择最新版本的安装包下载即可

在开始界面搜索 Prompt ，如果出现下方界面代表安装成功，完成后留以备用。如安装遇到问题，可参考北观止大佬的配置教程

（Anaconda基本安装与配置：安装、排错、配置清华源_清华源按照anaconda-CSDN博客）

2，Pytorch安装前检查

安装PyTorch前，需要确定使用的电脑是否安装了N卡（NVIDIA显卡），因为 PyTorch 的GPU版本需要使用N卡来加速计算，判断步骤如下：

  1. 打开设备管理器：在Windows上，按下Win键和X键，然后选择“设备管理器”。
  2. 查看显示适配器：在设备管理器中，展开“显示适配器”或“图形处理器”部分，查看是否有NVIDIA显卡的列表。如果有NVIDIA显卡，那么您的计算机适合安装PyTorch的GPU版本。
（1）电脑未安装N卡

（2）电脑安装N卡

3，PyTorch-CPU版本安装

为了更好地管理不同项目的 Python 环境。通常需要创建一个虚拟环境，用于隔开不同项目之间的依赖项，避免不同项目之间可能发生的冲突问题。以下附虚拟环境创建步骤。

（1）打开命令提示符或PowerShell：开始界面搜索Prompt，打开Anaconda Prompt

（2）创建虚拟环境：运行以下命令创建一个新的虚拟环境。可以将 <env_name> 替换成随意的环境名称（注意：只能是小写字母，出现其他符号会报错）

conda create -n <env_name> python=<version>

例如，我要创建一个名为 cvtest 的虚拟环境，其中 python 版本为3.8。

conda create -n cvtest python=3.8

（3）激活虚拟环境：运行以下指令来激活刚刚创建的虚拟环境。在 Windows 上，使用 activate 命令。

conda activate cvtest

激活虚拟环境后，可以看到命令提示符前缀显示为cvtest。这样我们就可以使用该虚拟环境下的 Python 解释器了。

（4）安装 PyTorch（CPU）：在激活的虚拟环境中，使用 pip 安装 PyTorch 。根据需求，选择安装的版本。

pip install torch torchvision torchaudio

当然可以使用清华镜像源下载。

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

（5）检验是否安装成功：安装完后，输入下方指令查看 PyTorch——CPU 版本是否安装成功

pip list

出现以上三行就代表安装成功了（CPU版本）

4，PyTorch-GPU版本安装

（1）查看 CUDA 显卡驱动版本

同时按下 WIN + R 键，输入 cmd 打开命令行终端，输入以下指令

nvidia-smi

我们可以看到当前版本为12.8

（2）安装 CUDA

从官网下载对应的 CUDA 版本，由于我的显卡版本为12.8，我只需要安装小于或者等于12.8都是可以的，我这里选择12.6.3。

官网（CUDA工具包存档|NVIDIA开发者 --- CUDA Toolkit Archive | NVIDIA Developer）

选择对应的操作系统版本选择安装包即可。

双击安装包，安装在自定义的目录文件夹下（我的C盘比较大，就直接装C盘上了）

注意，此处的 CUDA 安装地址需要提前拷贝，后面安装 cudnn 时需要用到。

选择“精简”模式，接下来一直点“下一步”即可。

查看是否安装成功，在命令行输入指令。

nvcc  -V

出现如下的输出证明安装成功。

（3）安装 CuDNN（cuda加速器）

官网（CUDA深度神经网络（cuDNN）|NVIDIA开发者 --- CUDA Deep Neural Network (cuDNN) | NVIDIA Developer）

按照上方流程下载压缩包或安装包都可以，解压后将文件移动到 CUDA 安装路径下，就安装完成啦~

（4）安装PyTorch-GPU

（1）激活虚拟环境：打开先前安装 PyTorch-CPU 时创建的虚拟环境

conda activate cvtest

（2）安装PyTorch（GPU）：使用pip安装 PyTorch 。注意请根据需求&#x

最低0.47元/天 解锁文章
PyTorch深度学习实战（43）——手写文本识别
盼小辉丶的博客
05-21 4641
手写文本识别，也称为手写文本的光学字符识别 (Optical Character Recognition, OCR)，是计算机视觉和自然语言处理中的一项具有挑战性的任务。与印刷文本不同，手写文本在风格、大小和质量方面变化巨大，这使得识别和转录变得更加困难。在本节中，我们将学习如何根据手写文字图像输入生成字符序列，为了提高手写图像的转录性能，将引入 CTC 损失函数。
【深度学习】Pytorch零基础入门教程，一小时带你快速掌握
m0_60720638的博客
10-13 1401
Pytorch官网有非常优秀的教程，其中有几篇小短文属于名为DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ这个小专栏的内容，考虑到大家阅读英文文献有点困难，笔者打算花些时间做一下翻译，同时结合自己的理解做一些内容调整，原文链接贴在这里点此跳转。承接之前的内容，点此跳转到第三部分。好的我们开始第四部分，这也是最后一个部分。 这一部分的内容让我们结合之前的知识进行简单的实战，学完这一部分就可以自己使用pytorch进行简单的模型搭建了，我们就直接开始了。 现在你已
基于PyTorch-手写数字识别-完整代码（含数据集+输出+完整注释）
05-03
大家好，这是近期完整的一个小项目，基于PyTorch_手写数字识别_完整代码（含数据集+输出+完整注释），已经在博客中记录，建议结合专栏【Python从入门到人工智能】学习，效果会更好哈！欢迎有需要的朋友下载！祝各位学习顺利~
手把手入门神经网络系列(2)_74行代码实现手写数字识别
热门推荐
龙心尘
12-13 3万+
“机器学习”是一个很实践的过程。就像刚开始学游泳，你在只在岸上比划一堆规定动作还不如先跳到水里熟悉水性学习来得快。以我们学习“机器学习”的经验来看，很多高大上的概念刚开始不懂也没关系，先写个东西来跑跑，有个感觉了之后再学习那些概念和理论就快多了。如果别人已经做好了轮子，直接拿过来用则更快。因此，本文直接用Michael Nielsen先生的代码。
Pytorch 手写数字识别 深度学习基础分享
最新发布
金色旭光的博客
12-09 1029
本篇是一次内部分享，给项目开发的同事分享什么是深度学习。用最简单的手写数字识别做例子，讲解了大概的原理。
PyTorch零基础入门——环境配置
qq_53131372的博客
03-02 8478
PyTorch和Tensorflow是目前最为热门的深度学习框架，本系列文章主要围绕PyTorch框架进行展开。本次文章主要介绍PyTorch框架的搭建。本文主要介绍了如何配置PyTorch环境，以便后期进一步学习PyTorch框架。在配置环境时要注意python的版本，cuda的版本（nvidia-smi），如果安装的PyTorch版本与电脑的硬件配置不相匹配会导致后期程序出现bug。
Pytorch 入门
mengxianglong123的博客
07-28 9733
我们首先定义一个Pytorch实现的神经网络#导入若干工具包importtorchimporttorch.nnasnnimporttorch.nn.functionalasF#定义一个简单的网络类classNet(nn.Module)模型中所有的可训练参数,可以通过net.parameters()来获得.假设图像的输入尺寸为32*32input=torch.randn(1,1,32,32)#4个维度依次为注意维度。...
Pytorch 最全入门介绍，Pytorch入门看这一篇就够了_pytorch csdn
m0_58477260的博客
04-09 1万+
在这一部分，我们将会对Pytorch做一个简单的介绍，包括它的历史、优点以及使用场景等。DataLoader类提供了对数据集的并行加载，可以有效地加载大量数据，并提供了多种数据采样方式。常用的参数有：dataset：加载的数据集（Dataset对象）batch_size：batch大小shuffle：是否每个epoch时都打乱数据num_workers：使用多进程加载的进程数，0表示不使用多进程# 数据转换])# 下载并加载训练集# 下载并加载测试集。
CNN基础及开发环境搭建（综合参考）
xuanyuansen的专栏
02-28 1万+
CNN基础及环境搭建 Author：王帅；Mail：mippr11.ws@gmail.com 目前，深度学习在解决图像分类，语音识别等问题上获得了已知的最优结果，该系列算法越来越受到学术界和工业界的重视。何为深度学习？一个直观的解释是如果一个机器学习算法在建模的过程中使用了多层的自动特征表示，则该机器学习算法可以称之为深度学习算法，也就是该机器学习算法可以自动地计算特征的特征表示。而卷积神经网
基于pytorch搭建CNN实现手写数字识别项目源码（95分以上大作业）.zip
08-16
基于pytorch搭建CNN实现手写数字识别项目源码（95分以上大作业）.zip 高分通过项目，期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。 基于pytorch搭建CNN实现手写数字识别项目源码（95分以上大...
从零开始搭建神经网络-卷积神经网络(CNN)
02-24
本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算分为镜像相乘相加，卷积层中的卷积没有镜像这一操作，直接是相乘和相加，如下图所示最左边的是卷积的输入，中间的为卷积核，最右边的为卷积的输出。可以发现卷积计算很简单，就是卷积核与输入对应位置相乘然后求和。除了图中绿颜色的例子，我们可以计算一下图中红色圈对应的卷积结果：(-
Mask-RCNN环境搭建及测试
03-22
Mask-RCNN环境搭建及讲解过程，原理，链接，搭建，测试
入门神经网络 PyTorch 手写数字识别
09-19
本篇教程将带领读者入门神经网络，通过PyTorch实现一个手写数字识别系统。 首先，手写数字识别（Handwritten Digit Recognition）指的是通过计算机算法来识别和解释手写数字图像的过程。这在数据处理和自动化办公中...
适合初学者的pytorch教学
藤椒鸳鸯锅的博客
06-05 908
Pytorch入门
1 pytorch60分钟入门教程
hxshine的博客
05-22 3234
1 Tensorsfrom __future__ import print_function import torch x = torch.Tensor(5, 3) # 构造一个未初始化的5*3的矩阵 x = torch.rand(5, 3) # 构造一个随机初始化的矩阵x 0.9643 0.2740 0.9700 0.2375 0.8547 0.1793 0.2462 0.888
搭建一个基于CNN数字识别项目的环境（Pycharm+Pytorch+Opencv)
qq_58158569的博客
03-08 1323
配置一个Pycharm+Pytorch+Opencv的基于CNN的数字识别系统的环境
CNN入门mnist数据集运行环境搭建（安装Python，Pycharm,Anaconda,Tensorflow,CNN代码）
m0_55624182的博客
08-02 2761
安装环境运行大致步骤： Python安装：选择3.8，安装教程具体可查看：https://blog.csdn.net/liming89/article/details/109632064?ops_request_misc=&request_id=&biz_id=102&utm_term=pycharm%E5%AE%89%E8%A3%85%E6%95%99%E7%A8%8B&utm_medium=distribute.pc_search_result.none-task-bl
使用CNN（convolutional neural nets）检测脸部关键点教程（一）:环境搭建和数据
JOURNEY的专栏
05-27 1万+
Kaggle 比赛： Facial Point Detect（面部关键点检测）的卷积神经网络教程翻译，用Python Lasagne 工具进行卷积神经网络的搭建和训练。本文为第一部分，讲环境搭建和数据读取。
pytorch 手写识别
10-13
可以使用 PyTorch 来实现手写数字识别。一般的做法是使用卷积神经网络（Convolutional Neural Network, CNN）来训练模型。具体步骤如下： 1. 准备数据集：MNIST 是一个常用的手写数字数据集，可以使用 PyTorch 内置的 `torchvision.datasets.MNIST` 来加载数据集。 2. 定义模型：可以使用 PyTorch 内置的 `torch.nn` 模块来定义卷积神经网络模型。 3. 训练模型：使用 PyTorch 内置的优化器（如 `torch.optim.SGD`）和损失函数（如交叉熵损失函数）来训练模型。 4. 评估模型：使用测试集来评估模型的性能。 5. 使用模型：使用训练好的模型来进行手写数字识别。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值