基于pytorch的手写数字识别及展示

最新推荐文章于 2024-07-30 17:23:09 发布
最新推荐文章于 2024-07-30 17:23:09 发布
阅读量187 收藏 2
点赞数 1
分类专栏： Pytorch 文章标签： python pytorch 深度学习 pyqt5
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/m0_54002804/article/details/119618001
版权

基于pytorch的手写数字识别（窗口交互展示预测结果）

1.介绍

在pytorch框架下的基于MNIST数据集的可视化的手写数字识别项目

（作为学习视觉以及pytorch的练手项目，比较简陋，存在很多错误）

程序提供画板，在画板上手写数字后可以立即判断出结果。

2.成果

窗体左边是一块很丑的手写板，点击Judge后右侧会输出模型的预测结果。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.版本

python–3.7.8

PyQt5–5.15.4

numpy–1.19.5

torch–1.9.0+cu111

4.下载

项目详细的介绍以及完整的源码已经放在我的GitHub与Gitee上。

Github地址：https://github.com/Chen-Wang-JY/digital-recognition

Gitee地址：https://gitee.com/Chen-WJY/digital-recognition

基友_Chen
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch手写数字识别（CNN）
什么都干的派森
04-20 972
数据集是 MNIST手写数字 数据集，自取网络结构为两层卷积两层线性层# 定义数据读取类 ------------------------------------------ class MNISTDataset(Dataset) : def __init__(self , data_type) : self . data_type = data_type if self . data_type not in [ 'train' , 'test' ] : raise Exception('数据集类型有误。
基于MNIST数据集PyTorch手写数字识别
04-25
主要介绍了详解PyTorch手写数字识别(MNIST数据集)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Pytorch的讲解及实战·MNIST数据集手写数字识别
m0_69299019的博客
12-27 2030
神经网络之实战手写数字识别
pytorch深度学习 MINIST手写数字识别分步推导(多版本与过程可视化)
Weary_PJ的博客
01-25 2372
pytorch深度学习 MINIST手写数字识别步步推导 准备工作 导包 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms 加载数据集 train_loader = torch.utils.data.DataLoader( datasets.MNIST(r'D:\Sour
用torch实现手写识别算法
weixin_46864174的博客
02-05 231
用torch实现手写识别算法。
人工智能概论报告-基于PyTorch的深度学习手写数字识别模型研究与实践
zhihong2002的博客
06-19 4657
CQUPT人工智能概论的课程大作业实践应用报告，供大家参考，如果有需要word版的可以私信我，或者在评论区留下邮箱，我会逐个发。word版是我最后提交的，已经调整统一了全文格式等。希望能给大家提供一些参考。如果起到作用请给我点个赞哦，嘿嘿嘿嘿
torch实现手写数字体识别一 学习和理解tensor
weixin_46291457的博客
11-25 352
学习和理解tensor #机器大学习复现作业一 import torch from torch.nn import functional as F a= torch.full([4],1/4.)#第一个参数表示创建张量的维度，第二个参数表示用1/4来填满创建的张量 log_2=a*torch.log2(a)#torch.log2()要求输入参数是张量,作用是对张量中每一个元素取以二为底的对数并返回此张量 # print(torch.log2(a),log_2,-(log_2).sum()) #sum()函
基于pytorch实现手写数字识别
KatchenShen的博客
02-18 2891
Pytorch基础入门项目之一，我在此做笔记复习考试。
PyTorch——手写数字识别
原谅我这一生不羁放纵爱自由
08-29 5522
目录PyTorch 学习 —— 手写数字识别Ⅰ. 数据读取器1. 训练集2. 验证集和测试集Ⅱ. 搭建网络Ⅲ. 模型训练1. 开始训练2. 模型验证Ⅲ. 模型测试Ⅳ. 绘制图像Ⅴ. 完整代码 PyTorch 学习 —— 手写数字识别   MNIST 数据集，其包含70000 个28×28 的手写数字的数据集，其中又分为60000 个训练样本与10000 个测试样本。 Ⅰ. 数据读取器 import torch from torch import nn from torch import optim fro
使用Pytorch实现手写数字识别
weixin_43498449的博客
05-27 7053
目录 1. 思路和流程分析 2. 准备训练集和测试集 2.1 torchvision.transforms的图形数据处理方法 2.1.1 torchvision.transforms.ToTensor 2.1.2 torchvision.transforms.Normalize(mean, std) 2.1.3 torchvision.transforms.Compose(transforms) 2.2 准备MNIST数据集的Dataset和DataLoader 3. 构建模型 3.1 激
基于PyTorch的手写数字识别案例实例代码
03-29
在本实例中，我们将深入探讨如何使用PyTorch框架实现手写数字识别。PyTorch是Facebook开源的一个深度学习库，以其灵活性和易用性深受数据科学家和研究人员的喜爱。在这个案例中，我们将利用MNIST数据集，这是一个...
基于pytorch的数字识别神经网络代码
11-14
因此，该数据集对于研究和开发手写数字识别的机器学习模型具有重要价值。 2.内含mnist数据集，解压后运行py文件即可直接使用，不需重新下载 3.适合入门学习pytorch的朋友 4.PyTorch是一个开源的Python机器学习库，...
深度学习作业-基于pytorch框架python实现手写数字识别完整源码+代码注释+实验报告.zip
12-14
深度学习作业_基于pytorch框架python实现手写数字识别完整源码+代码注释+实验报告.zip 使用MNIST手写数字体数据集进行训练和预测，实现测试集准确率达到98%及以上。本实验的目的： 掌握卷积神经网络基本原理，以...
基于Pytorch的手写数字识别分类模型实现
05-04
在本项目中，我们主要探讨的是如何利用Pytorch框架构建一个手写数字识别的分类模型。Pytorch是一个广泛使用的深度学习库，它提供了强大的灵活性和效率，使得开发和训练神经网络变得简单。以下是对该项目中涉及的关键...
【Python】pandas：排序、重复值、缺省值处理、合并、分组
最新发布
yannan20190313的博客
07-30 879
【Python】pandas：排序（sort_index,sort_values,nsmallest,nlargest）、重复值（duplicated,drop_duplicates,value_counts,nunique）、缺省值处理（isna,isnull,notna,notnull,fillna,dropna,replace）、合并（join,merge,append,concat）、分组（groupby）
快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜4＞
qq_64603703的博客
07-27 1016
详细解说数据分析pandas库中的常用方法
全网最详细Gradio教程系列5——Gradio Client: python
shao918516的博客
07-26 1108
程序部署完成后，如何将Gradio App作为API访问使用呢，这就用到Gradio Client。本章讲解Gradio Client的三种使用方式：python、javascript和curl，受字数限制，所以分三篇博客发布。 使用Gradio Python Client非常易于将Gradio应用程序作为API使用，本节讲述gradio_client安装、如何连接Gradio应用程序、查看可用API及其使用方式、job及session等用法。 通过Gradio Python Cli
Chapter 18 Python异常
2302_80253507的博客
07-28 1242
在Python中，异常是一种特定的对象，能够在程序运行过程中被抛出和处理。有效地管理异常不仅可以增强程序的稳定性，还可以提高用户体验，使程序能够优雅地处理错误情况。本章详细讲解了异常的基本概念以及如何捕获和处理异常。
loguru日志模块：简化Python自动化测试的日志管理！
07-29 775
日志是软件开发中的关键组成部分，为开发和测试人员提供了调试和监控应用程序的重要手段。loguru 是一个第三方的 Python 日志库，以其简洁的 API 和自动化的功能脱颖而出。本文将探讨为什么项目中需要日志，loguru 为何受到青睐，以及如何封装和在接口自动化测试项目中使用 loguru，同时结合 Allure 生成丰富的测试报告。
基于MNIST数据集pytorch手写数字识别结果
05-31
可以使用以下代码基于MNIST数据集在PyTorch中实现手写数字识别： ```python import torch import torch.nn as nn import torchvision import torchvision.transforms as transforms # 定义超参数 input_size = 784 # 28x28 hidden_size = 100 num_classes = 10 num_epochs = 5 batch_size = 100 learning_rate = 0.001 # 加载数据集，并进行标准化处理 train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = torchvision.datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor()) 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) # 定义神经网络模型 class NeuralNet(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(NeuralNet, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, num_classes) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out model = NeuralNet(input_size, hidden_size, num_classes) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = torch.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) # 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) 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)) ``` 运行该代码后，将输出模型的训练过程和在测试集上的准确率。
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