【图像分类】基于PyTorch搭建LSTM实现MNIST手写数字体识别（单向LSTM，附完整代码和数据集）

已于 2023-02-13 19:31:16 修改
阅读量2.5k 收藏 11
点赞数 2
分类专栏： 深度学习之图像分类实战 文章标签： pytorch lstm 深度学习
于 2023-02-13 11:36:28 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/AugustMe/article/details/128969138
版权
本文介绍了如何基于PyTorch搭建LSTM模型，以MNIST手写数字数据集为例，详细阐述从数据加载到模型训练、测试的全过程，并展示损失变化，最终模型在测试集上的精度达98.12%。
摘要由CSDN通过智能技术生成

写在前面：
首先感谢兄弟们的关注和订阅，让我有创作的动力，在创作过程我会尽最大能力，保证作品的质量，如果有问题，可以私信我，让我们携手共进，共创辉煌。

提起LSTM大家第一反应是在NLP的数据集上比较常见，不过在图片分类中，它同样也可以使用。我们以比较熟悉的 mnist 数据集为例进行讲解。当然，你可以根据本教程中得代码，在自定义数据集上训练LSTM图像分类模型。本教程绝对保真，先看一下模型在训练集和测试集山得损失变化：
在这里插入图片描述
我们知道mnist数据集是 28*28 的手写数字，而且因为是黑白照片，所以不像彩色图片一样是三通道，只有一个通道。

这里对于数据的理解，我们进行一下简单的介绍：对于每一张图片，我们看作一条数据，就像NLP中的一个句子一样。将照片的每一行看做一个向量，对应一个句子中的词向量，所以很显然，图片的行数就句子的长度。所以对这个 28*28 的照片，就是一个由 28 个向量组成的序列，且每个向量的长度都是 28。在NLP领域中，就是一个有 28 个单词的句子，且每个

了解本专栏 订阅专栏 解锁全文 超级会员免费看
机器不学习我学习
关注
专栏目录
订阅专栏
【图像分类】基于PyTorch搭建GRU实现MNIST手写数字体识别（单/双向GRU，附完整代码和数据集）
学无止境、积少成多、厚积薄发
02-16 1508
基于PyTorch搭建单向GRU和双向GRU实现MNIST手写数字体识别（附完整代码和数据集）
【图像分类】基于PyTorch搭建LSTM实现MNIST手写数字体识别（双向LSTM，附完整代码和数据集）
学无止境、积少成多、厚积薄发
02-13 1527
基于PyTorch搭建LSTM实现MNIST手写数字体识别（双向LSTM，附完整代码和数据集）
基于LSTM实现mnist手写数字识别
qq_29547673的博客
04-27 2510
首先读取数据，数据源是mnist库，可以通过input_data中read_data函数直接读取数据，数据图像为28*28。 #导入库 import tensorflow as tf #下载数据对应的库 import input_data import numpy as np import matplotlib.pyplot as plt print ("Packages imported")...
【PyTorch】基于 LSTM 的手写数字识别（MNIST）
XavierJ的博客
01-29 2777
引言 基于 PyTorch 实现的 LSTM 模型在 MNIST 数据集上的手写数字识别。 用法 代码托管于 GitHub：https://github.com/XavierJiezou/pytorch-lstm-mnist git clone https://github.com/XavierJiezou/pytorch-lstm-mnist.git cd pytorch-lstm-mnist pip install -r requirements.txt python ./code/train_on
LSTM实现Mnist手写数字识别
cyj5201314的博客
04-08 403
import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2' import tensorflow.compat.v1 as tf from tensorflow.examples.tutorials.mnist import input_data tf.compat.v1.disable_eager_execution() # 载入数据集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) # 输
基于LSTM来实现mnist手写数字识别（内附代码）
flinjin的博客
03-17 851
import tensorflow as tf import input_data import numpy as np import matplotlib.pyplot as plt print ("Packages imported") mnist = input_data.read_data_sets("data/", one_hot=True) trainimgs, trainlabel...
PyTorch入门二：LSTM实现MNIST手写数字识别
酒酿小圆子呀～
07-23 2935
https://blog.csdn.net/winycg/article/details/88937583 LSTM(Long Short Term Memory)，长短时记忆网络，主要用于传统RNN网络所面临的梯度消失/爆炸等问题。关于LSTM的基本原理可以参考我的另外一篇博客：RNN神经网络 ...
pytorch 利用lstm做mnist手写数字识别分类的实例
01-21
MNIST 数据集是一个包含 60000 张训练图像和 10000 张测试图像的手写数字数据集，每个图像都是 28×28 的灰度图像。通过这个实例，我们不仅能够理解 LSTM 在处理序列数据时的强大能力，还能学习到如何使用 PyTorch ...
【图像分类】基于PyTorch搭建卷积神经网络实现MNIST手写数字识别(附项目完整代码)
学无止境、积少成多、厚积薄发
02-16 891
基于PyTorch搭建卷积神经网络实现MNIST手写数字识别(附项目完整代码)
pytorch LSTM图像分类
Lzj000lzj的博客
07-07 7807
一个问题：pytorch官方文档对LSTM的输入参数的格式是input of shape (seq_len, batch, input_size)，但是本例中images.reshape(-1, sequence_length, input_size)的输入格式为batch,seq_len, input_size，是不是官文写错了？ import torch import torch.nn...
lstm图像分类_lstm图像处理_
09-30
pytorch库进行lstm图像处理，数据集为mnisit手写字数据。
教程 | 基于LSTM实现手写数字识别
小白学视觉
01-28 1394
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达基于tensorflow，如何实现一个简单的循环神经网络，完成手写数字识别，附完整演示代码。01 LSTM网络构建基于...
pytorch 搭建lstm模型
最新发布
07-30 291
pytorch 搭建lstm模型
pytorch 搭建LSTM模型
weixin_62542825的博客
05-16 800
两部分重要内容：1、数据各部分（模型输入、LSTM输入、LSTM输出、模型输出）维度的说明 ：注：一定要清楚每个环节输入数据以及输出数据的维度，还有每个维度代表的含义(特别是 batch _size、seq_len、feature_size, timestep， embedding_size 这些变量代表什么。为了说明数据各个阶段的维度变化，特此定义了如下变量大小，小伙伴需要记住下面变量的值一遍理解下文说明各个阶段的维度大小。类似地，data[：，0:1]选择数据数组的第一列作为二维子数组。
【深度学习】LSTM/CNN+LSTM实现图片分类
wongwongwong
04-08 2805
作为对照的单LSTM模型实现模型以及CNN+LSTM模型实现:一般LSTM单模型不会用来实现图片分类，只做教学用途。
pytorch时空数据处理1——LSTM介绍及图像分类
唐人的博客
01-21 9369
了解LSTM网络（From http://colah.github.io/posts/2015-08-Understanding-LSTMs/） 递归神经网络简单提要 遗忘门：第一个利用上一次的输出和这次的输入通过sigmoid函数的0~1的取值转化为一个权重矩阵，通过与Ct-1相乘按权重矩阵值选择性保留Ct-1中的信息。 输入门：（可详细分为左边输入门那些作为输入，右边更新门哪些需要强调） 输出门：输出门用来控制当前的单元状态有多少被过滤掉。先将单元状态激活，输出门为其中每一项产生一个在.
【Pytorch】利用Pytorch+RNN实现基于MNIST数据集的手写字体分类（附源码）
m0_58810879的博客
12-09 1427
1.在导入数据进行数据准备工作 可以直接从torchvision库的datset模块导入MNIST手写字体的训练数据集和测试集，然后使用Data.DataLoader()函数将两个数据集定义为数据加载器。其中用到torchvision.datasets.XXXXX()函数解释为：从指定的路径下获取数据集，其中train参数用于控制所提取的是训练集还是测试集。download参数用于控制是否从互联网上下载数据集。transform参数则用于将输入的图片进行转换（本文将其转化为张量），tar...
Pytorch学习之LSTM识别MNIST数据集
CSS360的博客
10-16 868
引入库函数 引入pytorch库，主要是nn,optim,Variable。 import torch from torch import nn,optim from torch.autograd import Variable from torch.utils.data import DataLoader from torchvision import datasets,transforms 设置超参数 设置超参数，其为神经网络的基础配置。 # 超参数 batch_size = 100 # 批大小
pytorch 实现MNIST（手写数字集分类）优化器 SGD RMSprop
m0_53112875的博客
06-01 1373
深度学习 神经网络搭建 pytorch
用python写一个基于minist数据集利用lstm模型pytorch实现手写字符识别的代码
04-24
好的，下面是使用PyTorch实现手写字符识别的代码： ``` python import torch import torch.nn as nn import torch.optim as optim import torchvision.datasets as datasets import torchvision.transforms as transforms # 加载数据集 train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor(), download=True) # 定义超参数 batch_size = 100 learning_rate = 0.001 num_epochs = 10 # 加载数据集 train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) # 定义LSTM模型 class LSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, num_classes): super(LSTM, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, num_classes) def forward(self, x): h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).cuda() c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).cuda() out, _ = self.lstm(x, (h0, c0)) out = out[:, -1, :] out = self.fc(out) return out input_size = 28 hidden_size = 128 num_layers = 2 num_classes = 10 model = LSTM(input_size, hidden_size, num_layers, num_classes).cuda() # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 total_step = len(train_loader) for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): images = images.reshape(-1, 28, 28).cuda() labels = labels.cuda() # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, total_step, loss.item())) # 测试模型 with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: images = images.reshape(-1, 28, 28).cuda() labels = labels.cuda() outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Test Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total)) ``` 希望能对你有所帮助。
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

打赏作者

机器不学习我学习

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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