PyTorch ------AlexNet卷积神经网络实现mnist手写体识别

最新推荐文章于 2023-05-07 11:53:57 发布
最新推荐文章于 2023-05-07 11:53:57 发布
阅读量3.2k 收藏 12
点赞数 6
分类专栏： CNN 文章标签： pytorch 深度学习 AlexNet mnist 神经网络
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/manmanking/article/details/104506436
版权

  • 接上一篇LeNet现实mnist手写识别

  • 使用经典模型AlexNet实现相同的功能

  • 先简单介绍一下,今天的主角,重燃神经网络辉煌的的模型AlexNet

AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生设计的,在那年之后，更多的更深的神经网络如雨后春笋般出现，比如优秀的vgg,GoogLeNet等。 对于传统的机器学习分类算法而言，已经是相当出色。

  • 简单介绍一下 AlexNet模型的结构:
    • 结构如下如:
      -在这里插入图片描述借用百度百科的图片展示.
    • 使用的新技术如下:
      • 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。
      • 将sigmoid激活函数改成了更加简单的ReLU激活函数。
      • 用Dropout来控制全连接层的模型复杂度。
      • 使用CUDA加速深度卷积网络的训练
      • 引入数据增强，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合
    • 代码兼容GPU
    • 这个模型比较复杂,在CPU上很是费劲,尽可能在GPU上运行.
    • 代码中包含可训练参数的计算、features Map的大小计算
    • 代码中备注又不清楚的请留言,我们要做一个严谨的Coder
    • 不能运行的都是耍流氓
    • 下面上代码:

      #引入使用库
      import time
      import torch
      from torch import nn,optim
      import torchvision
最低0.47元/天 解锁文章
Kallen_man
关注
  • 6
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
基于PyTorch实现LeNet、AlexNet、ResNet完成MNIST手写字体识别任务
yongyi_的博客
05-01 845
本文基于PyTorch实现LeNet、AlexNet、ResNet完成MNIST手写字体识别任务。1节中说明了数据集的处理方法，2节说明了算法的设计思路，3节给出了LeNet、AlexNet、ResNet的实现代码，最后分析了采用Pytorch框架与自己手写的深度学习框架的不同，4节中对各个卷积网络进行训练，给出了训练结果和可视化结果，其中对LeNet网络结构进行了一些不同的调整和训练，5节中是本项目的一些总结，文末在附录中给出了本项目的所有代码。
pytorch实现MNIST手写体识别
09-17
主要为大家详细介绍了pytorch实现MNIST手写体识别，使用全连接神经网络，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
PyTorch 实现 卷积神经网络（CNN）、全连接层、卷积层、池化层、MNIST手写字体识别-谢TS的博客.pdf
最新发布
07-17
全连接层，是每一输入节点都和所有输出节点相连。卷积神经网络一般用于图片等特征维度非常大的数据。池化的目的就是显著降低数据的维度。
Pytorch手写数字分类 AlexNet卷积神经网络 MNIST 包含绘板识别程序
07-10
# Pytorch手写数字分类 AlexNet卷积神经网络 MNIST 包含绘板识别程序 1. 使用pytorch实现AlexNet手写数字图像分类； 2. 实现了训练代码，运行train.py可以进行训练； 3. 包含训练好的权重文件，保存在ckpt/alexnet_mnist.pth； 4. 使用pyqt5实现了可视化的绘板识别程序，可在窗口中绘制手写数字，点击识别运行模型得到识别结果（运行inference.py）
深度学习框架之Keras感知：快速搭建各种经典卷积神经网络(LeNet、AlexNet、VGG16)玩转手写数字识别
Miracle8070
02-21 3721
1. 写在前面 如果是刚入深度学习的新手小白，可能有着只学习了一点深度学习的理论，也见识到了各种神经网络的强大而不能立马实现的烦恼，想学习TensorFlow，pytorch等出色强大的深度学习框架，又看到那代码晦涩难懂而有些想知难而退，这时候，我觉得有必要掌握一下Keras了，这是个啥？ Keras是高级神经网络API，因为Keras短小精悍，非常适合快速原型制作和神经网络的搭建。在很短的时间内...
pytorch实现AlexNet，在mnist数据集上实验，用精确率、召回率等指标评估，并绘制PR、ROC曲线
tortorish的博客
06-10 3392
pytorch实现AlexNet，在mnist数据集上实验。用精确率、召回率等指标评估，并绘制PR、ROC曲线。
基于AlexNet卷积神经网络的手写体数字识别系统研究-附Matlab代码
m0_70745318的博客
11-26 2200
手写数字识别是计算机视觉领域中的一个重要应用，已广泛应用在很多领域。手写数字识别的准确性至关重要，例如在银行自动识别支票系统中，如果识别错误就会出现资金丢失等严重后果。因此，研究如何提高手写数字识别的准确率具有重要的现实意义。目前，手写数字识别分类存在两个主要问题：第一，不同数字之间存在一些相似性，导致很难准确分类；第二，不同人书写的数字具有不同的大小、形状和方向，可能造成某个人写的一个数字与其他人写的另外一个数字非常相似。例如，甲写的7可能很像乙写的1。因此，手写数字识别分类的难度远高于已有的常规字体和特
PyTorch ------GoogLeNet卷积神经网络实现mnist手写体识别
实践是检验真理的唯一标准，经历了才会更加深切的懂得！！！
02-29 1979
计划将所有的经典模型使用pytorch在搞一遍 接上一篇NIN现实mnist手写识别 使用经典模型GoogLeNet模型实现相同的功能 GoogLeNet论文原文地址 GoogLeNet简介 GoogLeNet是2014年提出的一种全新的深度学习结构，在这之前的AlexNet、VGG、NIN等结构都通过增大网络深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、...
Python-使用卷积神经网络识别手写数字
08-11
本项目"Python-使用卷积神经网络识别手写数字"聚焦于利用CNN解决手写数字识别问题，通过在著名的MNIST数据集上进行训练，达到了99.2%的验证准确率，这在同类任务中是一个相当高的水平。 MNIST数据集是机器学习社区...
Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码
02-05
# Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码 1. 使用Pytorch定义ReNet50网络模型； 2. 使用Pytorch加载MNIST数据集，首次运行自动下载； 3. 实现训练MNIST手写数字图像分类，训练过程显示loss...
卷积神经网络CNN-数字手写体
03-18
在本案例中，我们关注的是应用CNN于数字手写体识别，这是一个经典的计算机视觉任务，常使用MNIST数据集进行训练。 MNIST数据集是机器学习和深度学习领域的一个基准，它包含60,000个训练样本和10,000个测试样本，每...
365天深度学习训练营-第1周：实现mnist手写数字识别
谢谢你们的关注
08-26 559
365天深度学习训练营-第1周：实现mnist手写数字识别
（学习笔记）使用pytorch复现AlexNet网络识别minst数据集并绘制loss，PR，ROC曲线
skeete的博客
05-07 2130
本文主要是对个人学习过程的一个记录，采用pytorch复现Alexnet网络实现对minist数据集的识别
使用PYTORCH复现ALEXNET实现MNIST手写数字识别
lwf1881的博客
11-03 5241
网络介绍： Alexnet网络是CV领域最经典的网络结构之一了，在2012年横空出世，并在当年夺下了不少比赛的冠军，下面是Alexnet的网络结构： 网络结构较为简单，共有五个卷积层和三个全连接层，原文作者在训练时使用了多卡一起训练，具体细节可以阅读原文得到。 Alexnet文章链接：http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf 作者在网络中使用了Relu激活函数和Dropout等方法来防止过拟合，更多细节看文章。 数据集介绍 使用的是MNIST手
机器学习第一周：用卷积神经网络实现Mnist手写数字识别（付基础知识解释）
BingxxXXxx的博客
03-21 3211
MNIST 数据集是一个手写数字识别数据集，包含了 60000 张训练图像和 10000 张测试图像，每张图像都是 28x28 像素的灰度图像。在这个代码中，我们使用了 Keras 中的 Sequential 类来定义模型，并通过 model.add() 方法向其中添加各种层。Sequential 类是 Keras 中的一种模型类型，可以用来构建序列模型。序列模型是一个线性的层次结构，可以通过将神经网络层按顺序堆叠来构建。在这个代码中，我们首先添加了一个卷积层，然后是一个最大池化层，
Windows系统下使用卷积神经网络实现手写数字识别(MNIST数据集/Pytorch深度学习框架)
stjuliet的博客
10-06 2164
完整代码如下： # 手写数字识别（MNIST数据集） import torch import torchvision from torchvision import datasets,transforms #处理计算机视觉相关问题的包 from torch.autograd import Variable #自动求导包 import time #记录系统时间 import cv2 #O...
【无标题】针对MNIST数据集，构造卷积神经网络实现手写数字识别。
m0_57835812的博客
12-28 2058
以pytorch构建的两层卷积核，一层池化层，两层全连接层的神经网络，在Mninst数据 集上训练，准确率达到98%，而且在增加旋转的Mninst数据集上达到97%的准确率。
PyTorch------nn.ReLU(inplace = True)详解
热门推荐
实践是检验真理的唯一标准，经历了才会更加深切的懂得！！！
03-12 4万+
nn.ReLU我们常常在使用,但是这个inplace的参数使用的就不多了,有什么含义和作用呢? nn.ReLU()函数默认inplace 默认是False 测试方法如下: inplace = False 注意输出对象地址 inplace = False 时,不会修改输入对象的值,而是返回一个新创建的对象,所以打印出对象存储地址不同,类似于C语言的值传递 inplace = True 注...
Pytorch-手写字体识别
06-08
下面是一个简单的 PyTorch 手写体识别示例代码： ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset from torchvision.datasets import MNIST from torchvision.transforms import ToTensor # 加载数据集 train_dataset = MNIST(root='data', train=True, transform=ToTensor(), download=True) test_dataset = MNIST(root='data', train=False, transform=ToTensor(), download=True) # 构建数据加载器 train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False) # 定义模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv = nn.Sequential( nn.Conv2d(1, 32, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), ) self.fc = nn.Sequential( nn.Linear(64 * 7 * 7, 128), nn.ReLU(), nn.Linear(128, 10), ) def forward(self, x): x = self.conv(x) x = x.view(x.size(0), -1) x = self.fc(x) return x # 定义模型、损失函数和优化器 model = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练模型 for epoch in range(10): running_loss = 0.0 for i, (inputs, labels) in enumerate(train_loader, 0): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() # 打印训练信息 print('Epoch %d loss: %.3f' % (epoch+1, running_loss/len(train_loader))) # 测试模型 correct = 0 total = 0 with torch.no_grad(): for inputs, labels in test_loader: outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() # 打印测试结果 print('Accuracy on %d test images: %.2f %%' % (total, 100 * correct / total)) ``` 在这个示例代码中，我们首先使用 PyTorch 内置的 MNIST 数据集下载工具加载了训练集和测试集，并构建了数据加载器。然后，我们定义了一个包含两个卷积层和两个全连接层的卷积神经网络，并使用交叉熵损失函数和 Adam 优化器进行模型训练。最后，我们使用测试集对模型进行测试，并计算出了模型在测试集上的准确率。 这个示例代码只是一个简单的手写体识别的 PyTorch 实现，你可以根据自己的需求进行修改和扩展。
评论 4
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