手写数字识别

一只小煤球2018

于 2022-10-05 21:03:51 发布

阅读量262

点赞数 1

文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.csdn.net/m0_62558778/article/details/127176886

版权

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

# 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