# 手写数字识别
import torch
import torchvision #是Pytorch的一个图形库,服务于pytorch深度学习的框架,构建计算机视觉模型,做常见的图形变换
import torch.nn as nn
#显示进度条库
from tqdm import tqdm
import torch.optim as optim
import torch.nn.functional as F
import torchvision.datasets as dsets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
device = "cuda:0" if torch.cuda.is_available() else "cpu"
#定义一些训练需要用到的超参数
image_size=28 #图片的总尺寸28*28
num_classes=10 #标签的种类数
num_epochs=20 #训练的总循环周期
batch_size = 64 #一个训练批次的大小,64张图片
#这个函数包括了两个操作:将图片转换为张量,以及将图片进行归一化处理
transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize(mean = [0.5],std = [0.5])])
#加载数据集
train_dataset= dsets.MNIST(root='./data', #文件存储路径
train=True, #提取训练集
transform=transforms.ToTensor(), #将图像转化为张量
download=True )#找不到文件时候,自动下载
#加载测试集
test_dataset= dsets.MNIST(root='./data',train=False
,transform=transforms.ToTensor())
#训练集的加载器,自动将数据切分成批,顺序随机打乱
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)#shuffle=True意思是顺序随机打乱
#首先,定义下标数组indices,它相当于对所有的test_dataset中的数据编码
#然后,定义下表indices_val表示校验集数据的下表。indices_test表示测试集的下标
indices=range(len(test_da
手写数字识别
本文介绍如何利用深度学习框架PyTorch构建手写数字识别模型,通过训练和验证数据集,探讨卷积神经网络(CNN)在图像识别任务中的应用,展示人工智能在实际问题中的解决能力。
摘要由CSDN通过智能技术生成