深度学习之PyTorch——Deep NN实现手写MNIST数字分类

最新推荐文章于 2024-08-05 15:23:39 发布
最新推荐文章于 2024-08-05 15:23:39 发布
阅读量1.2k 收藏 1
点赞数 2
分类专栏： 深度学习
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/qq_36022260/article/details/83719841
版权
本文介绍了使用PyTorch进行深度学习，以MNIST数据集为例实现手写数字分类。讨论了softmax函数在多分类问题中的作用，解释了交叉熵作为损失函数的计算原理，并展示了训练过程中的loss曲线和准确率曲线，显示出模型在训练集和测试集上的优秀表现。
摘要由CSDN通过智能技术生成

MNIST 数据集

mnist 数据集是一个非常出名的数据集，基本上很多网络都将其作为一个测试的标准，其来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST)。 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员，一共有 60000 张图片。 测试集(test set) 也是同样比例的手写数字数据，一共有 10000 张图片。

每张图片大小是 28 x 28 的灰度图，如下：

                                   

所以我们的任务就是给出一张图片，我们希望区别出其到底属于 0 到 9 这 10 个数字中的哪一个。

softmax

交叉熵

对于多分类问题，这样并不行，需要知道其属于每一类的概率，这个时候就需要 softmax 函数了。

                    

对于网络的输出 $z_1, z_2, \cdots z_k$，我们首先对他们每个都取指数变成 $e^{z_1}, e^{z_2}, \cdots, e^{z_k}$，那么每一项都除以他们的求和，也就是

                                                                                     $$ z_i \rightarrow \frac{e^{z_i}}{\sum_{j=1}^{k} e^{z_j}} $$

如果对经过 softm

最低0.47元/天 解锁文章
cv阿文
关注
专栏目录
深度学习------用NN、CNN、RNN神经网络实现mnist数据集处理
m0_47405013的博客
02-13 1387
1. mnist数据集实现神经网络 在这里插入代码片 2. mnist数据集实现卷积神经网络 # 1.运用卷积神经网络完成mnist数据集处理（40分） # 1、导包 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data # 2、加载数据 mnist=input_data.read_data_s
PyTorch深度学习实战（27）——自编码器(Autoencoder)
盼小辉丶的博客
12-13 2873
自编码器 (Autoencoder) 是一种无监督学习的神经网络模型，用于数据的特征提取和降维，它由一个编码器 (Encoder) 和一个解码器 (Decoder) 组成，通过将输入数据压缩到低维表示，然后再重构出原始数据。在本节中，我们将学习如何使用自编码器，以在低维空间表示图像，学习以较少的维度表示图像有助于修改图像，可以利用低维表示来生成新图像。
深度学习(七)-卷积神经网络实现 MNIST 手写数字分类
未名湖畔的落叶
04-13 3808
  在深度学习(五)-全连接神经网络实现 MNISTMNISTMNIST 手写数字分类中，我是用全连接神经网络实现了 MINSTMINSTMINST 手写数字分类，这里我就不再介绍 MINSTMINSTMINST 数据集和数据的处理了，我们直接进入主题，创建卷积神经网络。 网络模型创建   我们可以先创建一个最简单的三层神经网络，两层卷积层，两层池化层，一层全连接层： class simpleC...
手把手教程：深度学习入门项目MNIST手写数字分类任务
来知晓的博客
02-26 3274
本文无需了解任何AI先验知识（当然有更好），快速入门AI基本脉络，手把手教你一步步搭建神经网络，并解决一个分类手写数字的实际问题。
torch.nn.Linear的维度变换过程详解（有图有公式有代码）
最新发布
weixin_44115575的博客
08-05 1309
当初在学习nn.Linear时了解到的博客都是关于一维变换的，比如输入3通道，输出6通道；又比如得到（3，4，4）的特征图，需要进行拉平为（48，）的向量，然后通过nn.Linear（48，10）得到10个输出（分类任务很常见）。 nn.Linear除了可以进行分类，主要的作用就是改变维度便于下一个卷积层或线形层的输入。 但是在实际代码中，nn.Linear的输入往往都是多维数据，一样可以正常输出。所以经过查阅手册和各个帖子，给出了自己的理解，作为笔记。
深度学习之手写数字分类
qq_39295354的博客
01-05 2108
问题描述： 将手写数字的灰度图像（28 像素×28 像素）划分到 10 个类别 中（0~9）。我们将使用 MNIST 数据集，它是机器学习领域的一个经典数据集，其历史几乎和这 个领域一样长，而且已被人们深入研究。这个数据集包含 60 000 张训练图像和 10 000 张测试图 像，由美国国家标准与技术研究院（National Institute of Standards and Technol...
PyTorch深度学习实战（34）——DCGAN详解与实现
盼小辉丶的博客
01-25 2681
DCGAN 是优秀的图像生成模型，其生成网路和判别网络都是使用卷积层和反卷积层构建的深度神经网络。生成网络接收一个随机噪声向量作为输入，并通过逐渐减小的反卷积层将其逐渐转化为与训练数据相似的输出图像；判别网络则是一个用于分类真实和生成图像的卷积神经网络。在本节中，我们学习了如何构建并训练 DCGAN 生成人脸图像。
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 9967
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
PyTorch深度学习实战（9）——学习率优化
盼小辉丶的博客
08-06 2289
学习率( learning rate )是神经网络训练中一个重要的超参数，用于控制模型更新参数的步长大小，它决定了每次迭代中模型参数更新的幅度。学习率的选择对于训练的结果具有重要影响，学习率过高会导致模型震荡不收敛甚至发散，无法有效优化目标函数；而学习率过低则会导致收敛速度缓慢，需要更多的迭代才能达到较好的效果。本节首先介绍学习率如何影响模型训练，并通过修改学习率观察不同学习率对模型性能的影响。
deepNN
weixin_30340745的博客
08-24 145
不做卷积，只是增加多层神经网络层。 #-*- encoding:utf-8 -*- #!/usr/local/env python import numpy as np import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def add_layer(inpu...
Deep-RNN-深度循环神经网络(RNN循环神经网络)
西小庄村高伟 的博客
10-20 1305
Deep-RNN-深度循环神经网络的概念学习与应用
nn mnist 错误率 Matlab,Deep learning：三十五(用NN实现数据降维练习)
weixin_29230649的博客
03-22 348
前言：本文是针对上篇博文Deep learning：三十四(用NN实现数据的降维)的练习部分，也就是Hition大牛science文章reducing the dimensionality of data with neural networks的code部分，其code下载见：http://www.cs.toronto.edu/~hinton/MatlabForSciencePaper.html...
MNIST手写数字识别：分类应用入门（理论篇）
小汤同学
10-20 1916
> 慕课：《深度学习应用开发-TensorFlow实践》 > 章节：第七讲 MNIST手写数字识别：分类应用入门
MNIST手写数字识别 —— 基于Mindspore快速构建感知机实现十分类
m0_54776464的博客
07-21 1833
基于深度学习框架快速构建感知机实现手写数字二分类
pytorch进行mnist识别实战
且慢
09-15 193
mnist实战 开始使用简单的全连接层进行mnist手写数字的识别，识别率最高能到95%，而使用两层卷积后再全连接，识别率能达到99% 全连接： import torch from torch import nn from torch.nn import functional as F from torch import optim import torchvision from matplotlib import pyplot as plt from torch.optim.lr_scheduler
Deep MNIST for Experts解读（三）：deepnn源码分析与AdamOptimizer
vagrantabc2017的博客
08-15 1233
Deep MNIST for Experts解读（三）：deepnn源码分析与AdamOptimizer https://www.tensorflow.org/get_started/mnist/pros mnist_deep.py 上节讲了卷积与最大池化，本节来看看deepnn 在概览中提到，deepnn分了如下几层： 1.第一卷积层 2.第二卷积层 3.全联接层 4.d
用PyTorch构建基于卷积神经网络的手写数字识别模型
zxb_1222的博客
03-17 6090
MINST数据库是机器学习领域非常经典的一个数据集，其由Yann提供的手写数字数据集构成，包含了0-9共10类手写数字图片，每张图片都做了尺寸归一化，都是28x28大小的灰度图。每张图片中像素值大小在0-255之间，其中0是黑色背景，255是白色前景。
（四）PyTorch——多分类问题及深层次神经网络（mnist数字识别问题）
乐亦亦乐的博客
02-01 1262
MNIST是一个非常有名的手写数字识别数据集，在很多资料中，这个数据集都会被用作深度学习的入门案例。 MNIST数据集是NIST数据集的一个子集，它包含了60000张图片作为训练数据，10000张图片作为测试数据。在MNIST数据集中的每一张图片都代表了0~9中的一个数字。图片的大小都为28x28，且数字都会出现在图片的正中间。 数字图片及其像素矩阵：（MNIST数据集中图片的像素大小为28...
Python PyTorch实现手写数字识别：MNIST教程
本篇文章主要介绍了如何使用Python的PyTorch库来实现手写数字的自动识别，具体是通过经典的MNIST数据集进行训练。以下将逐步概述文章中的关键步骤和技术细节。 1. **环境设置**： 首先，确保安装了必要的库，包括`...
评论 2
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