torch的CNN案例,mnist数据集下载缓慢的解决方案

今天在看莫凡的torch教程,cnn案例。封装的函数不一样,所以第一次跑demo的时候需要下载数据集。但是我发现,可能是由于网站的维护问题,是的数据集下载非常非常缓慢,难以忍受。所以在结合源码以及以前下载的matlab环境下使用的数据集。做了以下处理:数据集:另外先在目录下新建mnist文件夹,在mnist文件夹下再建raw和processed文件夹。自己的电脑只是路径的不...
摘要由CSDN通过智能技术生成

今天在看莫凡的torch教程,cnn案例。封装的函数不一样,所以第一次跑demo的时候需要下载数据集。

但是我发现,可能是由于网站的维护问题,是的数据集下载非常非常缓慢,难以忍受。所以在结合源码以及以前下载的matlab环境下使用的数据集。做了以下处理:

数据集:

另外先在目录下新建mnist文件夹,在mnist文件夹下再建raw和processed文件夹。

自己的电脑只是路径的不一样。此时文件夹中是空的,先将数据集(压缩格式)复制到raw中:

然后再console中执行下列代码:

 

root = r'C:\Users\admin\PycharmProjects\py_projects\pytorch_learning\mnist'
raw_folder='raw'
filenames=['train-images-idx3-ubyte.gz','train-labels-idx1-ubyte.gz','t10k-images-idx3-ubyte.gz','t10k-labels-idx1-ubyte.gz']
import os
import g

  • 5
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
MNIST数据集是一个手写数字图片数据集,包含60000个训练图片和10000个测试图片,每张图片的大小为28x28像素。使用神经网络对MNIST数据集进行分类是机器学习中的一个经典问题,下面是使用Torch神经网络实现MNIST数据集分类的结果分析。 首先,我们可以使用Torch内置的MNIST数据集读取函数来读取数据集,并将数据集分成训练集和测试集。代码如下: ```lua require 'torch' require 'nn' require 'optim' mnist = require 'mnist' -- load dataset trainset = mnist.traindataset() testset = mnist.testdataset() ``` 接下来,我们定义一个简单的神经网络模型,包括两个全连接层和一个softmax层,代码如下: ```lua -- define neural network model model = nn.Sequential() model:add(nn.Linear(28*28, 128)) model:add(nn.ReLU()) model:add(nn.Linear(128, 10)) model:add(nn.LogSoftMax()) ``` 在训练模型之前,我们需要定义损失函数和优化器。这里我们使用交叉熵损失和随机梯度下降优化器。代码如下: ```lua -- define loss function and optimizer criterion = nn.CrossEntropyCriterion() optimizer = optim.SGD(model.parameters, 0.01) ``` 接着,我们开始训练模型。我们使用训练集对模型进行训练,并使用测试集对训练的模型进行测试,以评估模型的性能。代码如下: ```lua -- train model for epoch = 1, 10 do for i = 1, trainset.size do local x = trainset[i].x:view(28*28) local y = trainset[i].y optimizer.zero_grad() local output = model:forward(x) local loss = criterion:forward(output, y) local gradOutput = criterion:backward(output, y) model:backward(x, gradOutput) optimizer.step() end -- evaluate model local correct = 0 for i = 1, testset.size do local x = testset[i].x:view(28*28) local y = testset[i].y local output = model:forward(x) local _, prediction = output:max(1) if prediction[1] == y then correct = correct + 1 end end print(string.format('Epoch %d, accuracy = %.2f', epoch, correct/testset.size)) end ``` 运行上面的代码,我们可以得到模型在测试集上的分类准确率,如下所示: ``` Epoch 1, accuracy = 0.89 Epoch 2, accuracy = 0.92 Epoch 3, accuracy = 0.94 Epoch 4, accuracy = 0.94 Epoch 5, accuracy = 0.95 Epoch 6, accuracy = 0.95 Epoch 7, accuracy = 0.95 Epoch 8, accuracy = 0.96 Epoch 9, accuracy = 0.96 Epoch 10, accuracy = 0.96 ``` 可以看到,模型在测试集上的分类准确率达到了96%以上,说明模型的性能比较好。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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