pytorch深度学习:手写数字识别(实战项目一)

经过前边基础知识的铺垫,已经足够完成深度学习中的"hello world"项目:手写数字识别。这节课就是利用pytorch完成这个实战任务,它的本质上是个10分类问题。

1.MNIST数据集

mnist手写字数据集是机器学习领域经典的数据集,这里就不详细介绍了。它的每个样本都是(28,28)的矩阵构成,每个数据点代表这个点的灰度值,标签则是0-9这十个数字。

数据集又分为训练集和测试集,训练集由60000个样本组成,测试集由10000个样本组成。我们使用批数据处理将数据打包为训练集和测试集,Batch_size=200

运行下列代码,第一次会从网络上自动下载mnist数据集。

# 载入mnist数据集,若没有则会自动从网上下载
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)

我们利用下列代码展示数据集样本:

x, y = next(iter(train_loader))
print(x.shape, y.shape, x.min(), x.max())
plot_image(x, y, 'image sample')

展示的结果如下:
在这里插入图片描述

2. 神经网络模型的搭建

这次使用的是具有3层全连接层的神经网络,激活函数为relu()。

-输入层神经单元数:784(28*28)。
-输出层神经单元数:10(分10类)。
-隐藏层神经单元数:64(自己定义)。

input_dim = 28*28
hidden_dim = 64
out_dim = 10

搭建网络的过程就不再赘述了,直接看代码:

class Net(nn.Module):
    def __init__(self,n_featuers,n_hidden,n_outputs):
        super(Net,self).__init__()
        self.fc1 = nn.Linear(n_featuers,n_hidden)
        self.fc2 = nn.Linear(n_hidden,n_hidden)
        self.fc3 = nn.Linear(n_hidden,n_outputs)

    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
   
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