造车先做三蹦子-之二:自制数据集(5x5数据集)230102

已于 2023-10-25 07:56:48 修改
阅读量259 收藏
点赞数
分类专栏： 造车先做三蹦子-图像识别与字符识别 文章标签： 1024程序员节
于 2023-10-25 07:10:40 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/aw344/article/details/134025828
版权 

#自制数据集:5*5的点阵输入，数字的输出9个OneHot输出……Jupyter Notebook231001
 
import torch   #pytorch
import torch.nn as nn
import torch.optim as optim   #优化器optimizer
 
# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(25, 50)
        self.fc2 = nn.Linear(50, 9)
    
    def forward(self, x):
        x = x.view(-1, 25)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x
 
# 训练数据


i = [
#0
    torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,1,1,1,1]], dtype=torch.float32),
#1
    torch.tensor([[0,0,1,0,0],
                   [0,0,1,0,0],
                   [0,0,1,0,0],
                   [0,0,1,0,0],
                   [0,0,1,0,0]], dtype=torch.float32),
#2
     torch.tensor([[0,0,0,0,0],
                   [0,0,0,0,0],
                   [1,1,1,1,1],
                   [0,0,0,0,0],
                   [0,0,0,0,0]], dtype=torch.float32),
     
     torch.tensor([[0,0,1,0,0],
                   [0,0,1,0,0],
                   [1,1,1,1,1],
                   [0,0,1,0,0],
                   [0,0,1,0,0]], dtype=torch.float32),
     torch.tensor([[1,0,0,0,1],
                   [0,1,0,1,0],
                   [0,0,1,0,0],
                   [0,1,0,1,0],
                   [1,0,0,0,1]], dtype=torch.float32),
     torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,0],
                   [1,1,1,1,1],
                   [0,0,0,0,1],
                   [1,1,1,1,1]], dtype=torch.float32),
     torch.tensor([[1,1,0,0,0],
                   [1,0,0,0,0],
                   [1,1,1,1,0],
                   [1,0,0,0,1],
                   [1,1,1,1,1]], dtype=torch.float32),
#7
      torch.tensor([[0,1,1,1,1],
                   [0,0,0,1,1],
                   [0,0,0,0,1],
                   [0,0,0,0,1],
                   [0,0,0,1,1]], dtype=torch.float32),
#数字8
      torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,1,1,1,1]], dtype=torch.float32),
 
     # ...其他数据
 
     ]
 
target = [torch.tensor([1,0,0,0,0,0,0,0,0]),    #0
          torch.tensor([0,1,0,0,0,0,0,0,0]),   #1
          torch.tensor([0,0,1,0,0,0,0,0,0]),   #2
          torch.tensor([0,0,0,1,0,0,0,0,0]),   #3
          torch.tensor([0,0,0,0,1,0,0,0,0]),   #4
          torch.tensor([0,0,0,0,0,1,0,0,0]),
          torch.tensor([0,0,0,0,0,0,1,0,0]),   #6
          torch.tensor([0,0,0,0,0,0,0,1,0]),   #7
          torch.tensor([0,0,0,0,0,0,0,0,1]),   #8
          # ...其他目标
         ]
 
# 测试数据
ib = [

#预计数字:"0"
    torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,0,0,1,1],
                   [1,1,1,1,2]], dtype=torch.float32),
    #预计6
    torch.tensor([[6,1,0,0,0],
                   [6,0,0,0,0],
                   [6,1,1,0,0],
                   [6,0,0,1,0],
                   [6,6,6,1,0]], dtype=torch.float32),

    torch.tensor([[0,0,0,0,0],
                    [0,1,1,1,1],
                    [1,1,1,1,1],
                    [0,0,0,0,0],
                    [0,0,0,0,0]], dtype=torch.float32),
      
      torch.tensor([[0,0,1,0,0],
                    [0,0,1,0,0],
                    [0,0,1,0,0],
                    [0,0,1,1,0],
                    [0,0,1,0,0]], dtype=torch.float32),
      
      torch.tensor([[0,0,1,0,0],
                   [0,0,1,0,0],
                   [1,1,1,1,1],
                   [0,0,1,0,0],
                   [0,0,1,0,0]], dtype=torch.float32),
     torch.tensor([[1,0,0,0,1],
                   [0,1,0,1,0],
                   [0,0,1,0,0],
                   [0,1,0,1,0],
                   [1,0,0,0,1]], dtype=torch.float32),
     torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,0,0,0.5,1],
                   [1,1,1,1,2]], dtype=torch.float32),
    #预计"7"
     torch.tensor([[0,1,1,1,0],
                   [0,0,0,1,0],
                   [0,0,0.05,0,0],
                   [0,0,0,1,0],
                   [0,0,1,0,0]], dtype=torch.float32),
#预计数字:"8"
    torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,1,1,1,1],
                   [1,0,0.5,0.9, 1.2],
                   [1,1,1,2,3]], dtype=torch.float32),
      
     ]
 
# 初始化网络、损失函数和优化器
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)
 
# 训练模型
for epoch in range(100):
    for inputs, labels in zip(i, target):
        optimizer.zero_grad()
        
        inputs = inputs.unsqueeze(0) # 增加批次维度
        outputs = net(inputs)
        loss = criterion(outputs, torch.argmax(labels.unsqueeze(0), 1))
        loss.backward()
        optimizer.step()
        
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")
 
print("Training complete!")
 
# 使用测试数据进行测试
with torch.no_grad():
    for test_input in ib:
        test_input = test_input.unsqueeze(0) # 增加批次维度
        outputs = net(test_input)
        prediction = torch.argmax(outputs, 1)
        print(f"Test input:\n{test_input.squeeze(0)}\nPredicted class: {prediction.item()}\n")
 


#Jupyter Notebook231001

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(25, 50)
        self.fc2 = nn.Linear(50, 6)
    
    def forward(self, x):
        x = x.view(-1, 25)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 训练数据
i = [torch.tensor([[0,0,1,0,0],
                   [0,0,1,0,0],
                   [0,0,1,0,0],
                   [0,0,1,0,0],
                   [0,0,1,0,0]], dtype=torch.float32),

     torch.tensor([[0,0,0,0,0],
                   [0,0,0,0,0],
                   [1,1,1,1,1],
                   [0,0,0,0,0],
                   [0,0,0,0,0]], dtype=torch.float32),
     
     torch.tensor([[0,0,1,0,0],
                   [0,0,1,0,0],
                   [1,1,1,1,1],
                   [0,0,1,0,0],
                   [0,0,1,0,0]], dtype=torch.float32),
     torch.tensor([[1,0,0,0,1],
                   [0,1,0,1,0],
                   [0,0,1,0,0],
                   [0,1,0,1,0],
                   [1,0,0,0,1]], dtype=torch.float32),
     torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,1,1,1,1]], dtype=torch.float32),
     torch.tensor([[0,0,0,0,0],
                   [0,0,0,0,0],
                   [0,0,0,0,0],
                   [0,0,0,0,0],
                   [0,0,0,0,0]], dtype=torch.float32),

     # ...其他数据

     ]

target = [torch.tensor([1,0,0,0,0,0]),
          torch.tensor([0,1,0,0,0,0]),
          torch.tensor([0,0,1,0,0,0]),
          torch.tensor([0,0,0,1,0,0]),
          torch.tensor([0,0,0,0,1,0]),
          torch.tensor([0,0,0,0,0,1]),
          # ...其他目标
         ]

# 测试数据
ib = [torch.tensor([[0,0,0,0,0],
                    [0,1,1,1,1],
                    [1,1,1,1,1],
                    [0,0,0,0,0],
                    [0,0,0,0,0]], dtype=torch.float32),
      
      torch.tensor([[0,0,1,0,0],
                    [0,0,1,0,0],
                    [0,0,1,0,0],
                    [0,0,1,1,0],
                    [0,0,1,0,0]], dtype=torch.float32),
      
      torch.tensor([[0,0,1,0,0],
                   [0,0,1,0,0],
                   [1,1,1,1,1],
                   [0,0,1,0,0],
                   [0,0,1,0,0]], dtype=torch.float32),
     torch.tensor([[1,0,0,0,1],
                   [0,1,0,1,0],
                   [0,0,1,0,0],
                   [0,1,0,1,0],
                   [1,0,0,0,1]], dtype=torch.float32),
     torch.tensor([[1,1,1,1,1],
                   [1,0,0,0,1],
                   [1,0,0,0,1],
                   [1,0,0,0.5,1],
                   [1,1,1,1,2]], dtype=torch.float32),
     torch.tensor([[0,0,0,0,0],
                   [0,0,0,0,0],
                   [0,0,0.05,0,0],
                   [0,0,0,0,0],
                   [0,0,0,0,0]], dtype=torch.float32),
     ]

# 初始化网络、损失函数和优化器
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    for inputs, labels in zip(i, target):
        optimizer.zero_grad()
        
        inputs = inputs.unsqueeze(0) # 增加批次维度
        outputs = net(inputs)
        loss = criterion(outputs, torch.argmax(labels.unsqueeze(0), 1))
        loss.backward()
        optimizer.step()
        
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")

print("Training complete!")

# 使用测试数据进行测试
with torch.no_grad():
    for test_input in ib:
        test_input = test_input.unsqueeze(0) # 增加批次维度
        outputs = net(test_input)
        prediction = torch.argmax(outputs, 1)
        print(f"Test input:\n{test_input.squeeze(0)}\nPredicted class: {prediction.item()}\n")

aw344
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
造车先做三蹦子-之三:自制数据集(6x6数据集)230103
aw344的专栏
10-26 168
【代码】造车先做三蹦子-之三:自制数据集(6x6数据集)230103。
造车先做三蹦子220101--机器学习字符(字母、和数字识别)的“小白鼠”与“果蝇”
aw344的专栏
10-22 438
但是，能完整的 架构出来一辆 五菱宏光、架构出一辆老头乐，架构出一辆三蹦子……那才是一位合格的架构师……那我只给你三个月时间，只给你10万~100万人民币！请你先给俺架构出一辆 老头乐的或五菱宏光。torch,tensorflew,pytorch这个相当于马达、发动机、变速器等底层原件……我需要 三年时间、三个亿$架构出一辆 特斯了、Prius混动汽车。就可以 造 宝马……Prius、本田、混动了吗。一、造车要不要先研究马达、轮子、发动机……学习 Prius的新型架构当然有用！对于初级架构师傅来讲……
共享单车对社会有5个消极影响，然而在这些好处面前却微不足道
weixin_40192258的博客
07-14 161
1、黑车司机和三蹦子容纳了社会部分失业人员，这部分人员被影响会给社会带来一定不稳定，尤其是治安问题。2、乱停乱放，进而影响城市正常交通秩序和市容。3、乱骑行者多，比如上人行道影响步行者的路权。再比如在车道上乱骑影响车辆驾驶。4、激发人性之恶。上私锁、破坏、盗窃、磨损二维码等等行为屡见报端。5、影响自行车产业稳定发展，短期内带来大量订单，但随着市场稳定，订单数量变小，自行车上游会受到较大波及。大饥荒...
Android程序员学WEB前端(2)-HTML(2)-锚点链接列表表单-Sublime
iwanghang(一个播音与主持艺术专业、干过网游打金工作室，做过海鲜小吃排挡的新手程序员)
08-01 472
转载请注明出处：http://blog.csdn.net/iwanghang/article/details/76522417 觉得博文有用，请点赞，请评论，请关注，谢谢！~ 锚点 链接 列表 表单 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1
一、JavaScript 基础——变量、数据类型、数据转换
小羊的博客
09-05 168
一、JavaScript 基础 1.1 使用场景 <!-- 1.本地书写 --> <script type="text/javascript"> alert('Hello World!'); </script> ​ <!-- 2.外部引入 --> <script type="text/javascript" src="1.js"></script> ​ <!-- 3.事件属性 --> <div id="
微服务网关：SpringCloud Gateway保姆级入门教程
duan18888的博客
05-17 2051
什么是微服务网关 SpringCloud Gateway是Spring全家桶中一个比较新的项目，Spring社区是这么介绍它的： 该项目借助Spring WebFlux的能力，打造了一个API网关。旨在提供一种简单而有效的方法来作为API服务的路由，并为它们提供各种增强功能，例如：安全性，监控和可伸缩性。 而在真实的业务领域，我们经常用SpringCloud Gateway来做微服务网关，如果你不理解微服务网关和传统网关的区别，可以阅读此篇文章 Service Mesh和API Gateway关系深度
r3kapig：校园明星 CTF 战队的奇幻养成之旅
华章IT官方博客
11-16 2206
采访、撰写：浅黑科技当我还是个一推就倒的小学生时，一次偶然，被同学拉进了《哈利波特》的魔法世界。我惊奇的发现，就算不是魔法家庭的孩子，只要有天赋和兴趣，一样能够进入霍格沃茨魔法...
程序猿生存指南-7 相亲之路（下）
weixin_34198453的博客
11-09 259
相亲之路（下）（18）三蹦子缓缓地停靠在了县城一家美食城的楼下。老姚帮我拢了拢因为帽子挤压而变形的头发，他嘱托我呆会儿一定要有眼力劲儿，争取给别人留下一个好的印象。四叔挺着肚腩在前方引路，我们仨前后脚进了美食城的一个包间。相亲跟参加面试特像，越到跟前越是忐忑不安。进门之前，我整理衣衫，而后长舒一口气，以缓解内心的焦虑。四叔推门而入，屋里的人纷纷起立上前相迎。四叔面带笑容一一介绍，大都是他当兵时的战...
List、Set、数据结构、Collections
weixin_34124651的博客
10-11 46
第一章List集合 1.1Java集合体系结构 1).Collection(单列集合）： |--List(接口--新增4个方法):1).有序的；2).可以存储重复元素； |--ArrayList(子类):数组实现 |--LinkedList(子类--新增2个方法):链表实现 |--Set(接口--无特有方法):1).无序的；2).不能存储重复元素； |--HashSet(子类):...
CCF-大数据竞赛-基金间的相关性预测-三蹦子-复赛15名.zip
10-22
标题 "CCF-大数据竞赛-基金间的相关性预测-三蹦子-复赛15名.zip" 提供的信息表明这是一个关于大数据分析的竞赛项目，主要任务是预测基金之间的相关性。在金融领域，基金相关性预测是重要的投资策略研究部分，帮助...
html5横版跑酷游戏《我和骑士》源码
04-19
游戏截图： https://blog.csdn.net/niehanmin/article/details/80005985 html5横版跑酷游戏《我和骑士》源码 扫描领红包骑士开着三蹦子挎斗，带着姐弟俩勇闯天涯，沿途吃金币，躲火龙，斗巫师，主题情节设定新颖
udp分片报文pcap文件
07-18
udp分片报文pcap文件：64kudp大包分成每片658字节总计100片
计算机教学导案.doc
07-18
计算机
摩根：2024年大市前瞻.pdf
最新发布
07-18
摩根：2024年大市前瞻
计算机控制专业技术专题实习任务书温度控制.doc
07-18
计算机
计算机控制系统.doc
07-18
计算机
计算机模拟考试.doc
07-18
计算机
WHO联合国健康老龄化十年进展报告2021-2023年英文版88页.pdf
07-18
医疗行业研究报告
2023年度全球新药研发进展报告-药智数据.pdf
07-18
2023年度全球新药研发进展报告-药智数据

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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