pytorch实现下载加载mnist数据集例子解析

代码示例：

在PyTorch中，你可以使用torchvision库来方便地下载和加载MNIST数据集。以下是一个详细的示例，展示了如何使用PyTorch和torchvision来下载、加载并使用MNIST数据集：

1. 安装必要的库：

   首先，确保你已经安装了torch和torchvision。可以使用以下命令进行安装：

   pip install torch torchvision
   

2. 下载和加载数据集：

   使用torchvision.datasets中的MNIST类来下载和加载数据集。同时，使用torch.utils.data.DataLoader来创建一个数据加载器，以便于在训练过程中批量处理数据。

   import torch
   import torchvision
   import torchvision.transforms as transforms
   
   # 定义数据转换
   transform = transforms.Compose([
       transforms.ToTensor(),  # 将图片转换为Tensor
       transforms.Normalize((0.5,), (0.5,))  # 归一化处理
   ])
   
   # 下载并加载训练集
   trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
   trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)
   
   # 下载并加载测试集
   testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
   testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)
   
   # 检查数据
   dataiter = iter(trainloader)
   images, labels = dataiter.next()
   print(images.shape, labels.shape)
   

3. 创建一个简单的神经网络模型：

   使用torch.nn模块来定义一个简单的神经网络模型。

   import torch.nn as nn
   import torch.nn.functional as F
   
   class Net(nn.Module):
       def __init__(self):
           super(Net, self).__init__()
           self.fc1 = nn.Linear(28*28, 512)  # 28*28是输入图片的像素数
           self.fc2 = nn.Linear(512, 256)
           self.fc3 = nn.Linear(256, 10)  # 10是MNIST数据集的类别数
   
       def forward(self, x):
           x = x.view(-1, 28*28)  # 展平图片
           x = F.relu(self.fc1(x))
           x = F.relu(self.fc2(x))
           x = self.fc3(x)
           return F.log_softmax(x, dim=1)
   
   net = Net()
   

4. 训练模型：

   使用定义好的模型和数据加载器来训练模型。

   import torch.optim as optim
   
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
   
   # 训练模型
   for epoch in range(2):  # 运行多个周期
       running_loss = 0.0
       for i, data in enumerate(trainloader, 0):
           inputs, labels = data
           optimizer.zero_grad()
           outputs = net(inputs)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()
           running_loss += loss.item()
           if i % 2000 == 1999:  # 每2000个小批量打印一次训练状态
               print(f'[{epoch + 1}, {i + 1}] loss: {running_loss / 2000:.3f}')
               running_loss = 0.0
   
   print('Finished Training')
   

5. 测试模型：

   在测试集上评估模型的性能。

   correct = 0
   total = 0
   with torch.no_grad():
       for data in testloader:
           images, labels = data
           outputs = net(images)
           _, predicted = torch.max(outputs.data, 1)
           total += labels.size(0)
           correct += (predicted == labels).sum().item()
   
   print(f'Accuracy of the network on the 10000 test images: {100 * correct / total}%')
   

这个示例展示了如何使用PyTorch和torchvision来下载、加载、训练和测试MNIST数据集。你可以根据需要调整模型结构和训练参数。

喜欢本文，请点赞、收藏和关注！