【MNIST】MNSIT手写数字识别 配置环境

MNIST上

---

配置环境

import torch
import torchvision

PyTorch官方文档链接：PyTorch documentation英文文档
PyTorch documentation中文文档

准备数据集和超参数

n_epochs = 3  #在训练集中循环的次数
batch_size_train = 64 
batch_size_test = 1000 
learning_rate = 0.01 #优化器超参数
momentum = 0.5 #优化器超参数
log_interval = 10 

random_seed = 1 
torch.backends.cudnn.enabled = False  #由于 cuDNN 使用非确定性算法，可以通过设置 `torch.backends.cudnn.enabled = False` 禁用该算法
torch.manual_seed(random_seed)

#下面用于 `Normalize()` 转换的值 0.1307 和 0.3081 是 MNIST 数据集的全局平均值和标准差，我们将在此处将它们作为给定值
# path = r'./mnist_data'
# 设置download = True开始下载MNIST数据集
train_loader = torch.utils.data.DataLoader(
  torchvision.datasets.MNIST(path, train=True, download=False,
                             transform=torchvision.transforms.Compose([
                               torchvision.transforms.ToTensor(),
                               torchvision.transforms.Normalize(
                                 (0.1307,), (0.3081,))
                             ])),
  batch_size=batch_size_train, shuffle=True)
  
test_loader = torch.utils.data.DataLoader(
  torchvision.datasets.MNIST(path, train=False, download=False,
                             transform=torchvision.transforms.Compose([
                               torchvision.transforms.ToTensor(),
                               torchvision.transforms.Normalize(
                                 (0.1307,), (0.3081,))
                             ])),
  batch_size=batch_size_test, shuffle=True)

使用数据集

examples = enumerate(test_loader)
batch_idx, (example_data, example_targets) = next(examples)

#examples_data.shape
#torch.Size([1000, 1, 28, 28])
#所以一个测试数据批次是一个形状张量：这意味着我们有 1000 个 28x28 像素的灰度示例（即没有 rgb 通道，因此只有一个）

fig = plt.figure()
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.tight_layout()
    plt.imshow(example_data[i][0], cmap='gray', interpolation='none')
    plt.title("Ground Truth: {}".format(example_targets[i]))
    plt.xticks([])
    plt.yticks([])

# save image
#plt.savefig('my_figure.png')