PyTorch实现Softmax Classifier处理MNIST数据集

最新推荐文章于 2022-07-19 22:39:11 发布

WeilingDu

最新推荐文章于 2022-07-19 22:39:11 发布

阅读量991

点赞数 1

分类专栏： Pytorch 文章标签：深度学习神经网络人工智能

本文链接：https://blog.csdn.net/WeilingDu/article/details/108608593

版权

本文介绍了如何用PyTorch实现Softmax分类器来处理MNIST数据集，包括数据预处理、模型设计、损失函数与优化器构造以及训练与测试过程。在数据准备阶段，涉及了图像像素值的转换；模型设计中，通过张量重塑适应全连接层；训练和测试环节，明确了在测试时不需要计算梯度。

摘要由CSDN通过智能技术生成

Softmax Classifier

1. Prepare Dataset

神经网络希望输入数据最好是在-1到1之间，最好是正态分布，这样训练的效果最好。所以我们需要把图像的像素值进行转换。

from torchvision import transforms
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307, ), (0.3081, ))])

transforms.ToTensor()：将图转化为Channel*Width*Height的张量。

transforms.Normalize((0.1307, ), (0.3081, ))：前者是均值，后者是标准差（对数据集计算得出）。即使Tensor中的数值符合01分布。

torch.Tensor默认是torch.FloatTensor是32位浮点类型数据，torch.LongTensor是64位整型

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

batch_size = 64

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307, ), (0.3081, ))])

train_dataset = datasets.MNIST(root