MNIST数据集
MNIST手写数字数据集是机器学习领域中广泛使用的图像分类数据集。它包含60,000个训练样本和10,000个测试样本。这些数字已进行尺寸规格化,并在固定尺寸的图像中居中。每个样本都是一个784×1的矩阵,是从原始的28×28灰度图像转换而来的。MNIST中的数字范围是0到9。下面显示了一些示例。 注意:在训练期间,切勿以任何形式使用有关测试样本的信息。
代码清单
- data/ 文件夹:存放MNIST数据集。下载数据,解压后存放于该文件夹下。下载链接:MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges
- solver.py 这个文件中实现了训练和测试的流程。;
- dataloader.py 实现了数据加载器,可用于准备数据以进行训练和测试;
- visualize.py 实现了plot_loss_and_acc函数,该函数可用于绘制损失和准确率曲线;
- optimizer.py 实现带momentum的SGD优化器,可用于执行参数更新;
- loss.py 实现softmax_cross_entropy_loss,包含loss的计算和梯度计算;
- runner.ipynb 完成所有代码后的执行文件,执行训练和测试过程。
要求
- 记录训练和测试的准确率。画出训练损失和准确率曲线;
- 比较使用和不使用momentum结果的不同,可以从训练时间,收敛性和准确率等方面讨论差异;
- 调整其他超参数,如学习率,Batchsize等,观察这些超参数如何影响分类性能。写下观察结果并将这些新结果记录在报告中。
运行结果如下:
代码如下:
solver.py
import numpy as np
from layers import FCLayer
from dataloader import build_dataloader
from network import Network
from optimizer import SGD
from loss import SoftmaxCrossEntropyLoss
from visualize import plot_loss_and_acc
class Solver(object):
def __init__(self, cfg):
self.cfg = cfg
# build dataloader
train_loader, val_loader, test_loader = self.build_loader(cfg)
self.train_loader = train_loader
self.val_loader = val_loader