【Datawhale学习笔记】Pytorch整体框架搭建入门——MNIST时装分类01

VIP文章 已于 2022-08-20 12:18:30 修改
阅读量374 收藏 1
点赞数 1
文章标签： pytorch 深度学习 人工智能
于 2022-08-17 23:17:15 首次发布
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_41913284/article/details/126375923
版权

        神经网络的学习主要包含了以下几个过程：
        1.数据预处理

        2.模型的设计

        3.损失函数以及优化方案设计

        4.前向传播

        5.反向传播

        6.更新参数

        上述6点在我看来，前3点是体现了神经网络的设计艺术的——如果把神经网络的学习看作是人和机器的合作，那么前3点工作无疑是需要人工去完成的。在利用Pytorch编写神经网络代码时，前三点往往比较让我头大，特别是第一点！简直像是变形金刚一样，对着数据各种操作，最终把他们变成符合输入条件的样式。

        在不了解神经网络工作原理的情况下，它就像一个黑盒子，输入样本数据，输出预测结果。如果觉得神经网络训练地还不够好，你要做的就是像一个严格的教练一样：惩罚神经网络，让神经网络修改参数，直到满足你的要求（

最低0.47元/天 解锁文章
tigerwang29
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【新手向】【Kaggle】基于CNN的简易MNIST数字识别器PyTorch实现（99.5%准确率）
m0_66785204的博客
09-21 1597
以Kaggle Digit Recognizer入门赛为准，从零开始用PyTorch构建一个简单但拥有不错性能的CNN网络（99.5%准确率）。同时介绍一些基础的用于提升模型性能的手段。
【Windows】GPU、CUDA、cuDNN、Pytorch、Python知识总结
zjh2883的博客
04-16 863
由于程序是要经过编译器编程成可执行的二进制文件，而cuda程序有两种代码，一种是运行在cpu上的host代码，一种是运行在gpu上的device代码，所以nvcc编译器要保证两部分代码能够编译成二进制文件在不同的机器上执行。cuDNN（CUDA Deep Neural Network Library）由NVIDIA开发的用于深度学习的加速库，旨在优化神经网络的前向传播和反向传播过程，以利用NVIDIA GPU的并行计算能力，从而加速深度学习模型的训练和推理。CUDA Runtime是一个库。
【Datawhale学习笔记】Pytorch整体框架搭建入门——MNIST时装分类02
qq_41913284的博客
08-18 279
在上一篇文章中，有关利用Pytorch完成神经网络的模型搭建已经完成了。从整体流程来看，把神经网络的学习看作是1.数据预处理2.模型的设计 3.损失函数以及优化方案设计4.前向传播5.反向传播6.更新参数这6个步骤，其实只完成了前2步。在这篇文章中，开始真正对模型的训练。...
PyTorch项目实战—FashionMNIST时装分类
Alexa_的博客
07-16 1031
PyTorch项目实战1
PyTorch搭建LSTM实现服装分类（FashionMNIST）
⚡
06-23 869
LSTM + FashionMNIST
pytorch搭建神经网络实现MNIST分类
Make AI，Not War
02-08 1013
实战篇 MNIST分类 网上有关于MNIST分类的文章：https://blog.csdn.net/out_of_memory_error/article/details/81414986 但是他使用的是pytorch自带的mnist数据集，而我想使用一个Kaggle的csv格式的数据集来练习一下。本篇即为使用csv文件的MNIST分类。 csv文件： 神经网络 神经网络部分其实比较容易，先使用...
pytorch学习（八）——MNIST手写数字识别
11-08
上传时间：2020/11/08 最后测试：2020/11/08 内容：pytorch框架实现MNIST手写数字识别 其他：pytorch学习练习代码 相关介绍：https://blog.csdn.net/jerry_liufeng/article/details/109558962
pytorch基础实战--FashionMNIST时装分类.ipynb
11-16
pytorch基础实战--FashionMNIST时装分类.ipynb
pytorch学习笔记（十五）————动量与学习率衰减
01-06
pytorch学习笔记（十五）————动量与学习率衰减目录动量学习率衰减 目录 动量 从形式上看， 动量算法引入了变量 z充当速度角色——它代表参数在参数空间移动的方向和速率。速度被设为负梯度的指数衰减平均。名称...
pytorch学习笔记（十五）————Early Stop，Dropout
01-20
pytorch学习笔记（十五）————Early Stop，Dropout，SGD目录Early StopDropoutSGD随机梯度下降 目录 Early Stop （1）Early Stop的概念 Early Stop的概念非常简单，在我们一般训练中，经常由于过拟合导致在训练...
Pytorch 快速入门实战之 Fashionmnist
04-24
内涵数据集、Train.py Test.py 以及相应的说明文档。适合新手快速入门ptrorch。
【pytorch】2.4 kaggle数据集 数据预处理、重写Dataset、DataLoader读取数据
weixin_37804469的博客
05-29 1747
1、从kaggle上下载相关数据：地址 整个数据集包括3个部分：训练集文件夹、label 的csv文件、测试集文件夹 数据下载下来后，读取相关信息看一下 import pandas as pd df = pd.read_csv('/Users/manmi/Desktop/dog_breed/labels.csv') print(df.info()) print(df.head()) 训练集一共10221条数据，id对应着图片的名称，但是不带后缀.jpg，breed对应犬种名称。 .........
Pytorch简单封装
HPUZJH
01-05 1206
return mymodel myModel相当于是全局的 数据加载器dataset 初始化函数不一定要写 一次一个 batch_size = 16一批一批丢进模型 main 定义dataset有什么用 配合dataloader，数据自动批量产生 main() dataloader放进模型训练 重写gettraindata ...
Pytorch-自动微分模块
小森的博客
04-19 1755
🥇接下来我们进入到Pytorch的自动微分模块自动微分模块是PyTorch中用于。PyTorch通过其模块提供了自动微分的功能，这对于深度学习和优化问题至关重要，因为它可以自动计算梯度，无需手动编写求导代码。以下是backward()backward().grad。
pytorch-手写数字识别之全连接层实现
wyw0000的博客
04-19 516
pytorch-手写数字识别之全连接层实现
Pytorch实用教程：pytorch使用模型时并没有调用forward函数，那么前向运算是如何执行的呢？
惊鸿若梦一书生
04-19 364
这种设计模式（通过__call__间接调用forward）不仅使代码更清晰（因为你不需要显式地每次都写.forward()），同时也提供了额外的灵活性。例如，nn.Module的__call__方法还负责处理其他任务，如设置模块的训练/评估模式，执行钩子函数等，这些都是在正式执行forward前后自动处理的。因此，通过这种方式，PyTorch 用户可以在保持代码整洁的同时，充分利用nn.Module提供的丰富功能。
Pytorch 之torch.nn初探 卷积--Convolution Layers
weixin_50917576的博客
04-20 874
卷积的本质就是用卷积核的参数来提取原始数据的特征，通过矩阵点乘的运算，提取出和卷积核特征一致的值。卷积层是用一个固定大小的矩形块去席卷原始数据，将原始数据分成一个个和卷积核大小相同的小块，然后将这些小块和卷积核相乘输出一个卷积值（注意这里是一个单独的值，不再是矩阵了）。这里我们拿最常用的 conv1d举例说明卷积过程的计算。
基于Pytorch的LSTM网络全流程实验（自带数据集，可直接运行出结果，替换自己的数据集即可使用）
最新发布
惊鸿若梦一书生
04-22 540
【代码】基于Pytorch的LSTM网络全流程实验（自带数据集）
pytorch实现自己的深度神经网络（公共数据集）
weixin_44463519的博客
04-16 386
注意：在运行此代码之前，需要配置好pytorch-GPU版本的环境，具体再次不谈。
pytorch实现rnn并且对mnist进行分类
06-02
好的，我可以为您提供相关的代码和步骤。 首先，您需要导入必要的库和数据集： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.datasets as dsets import torchvision.transforms as transforms # 加载 MNIST 数据集 train_dataset = dsets.MNIST(root='./data',train=True,transform=transforms.ToTensor(),download=True) test_dataset = dsets.MNIST(root='./data',train=False,transform=transforms.ToTensor(),download=True) # 设置超参数 batch_size = 100 learning_rate = 0.01 num_epochs = 10 ``` 接下来，您需要定义一个 RNN 模型。在这个示例中，我们将使用一个简单的单层 RNN，该模型接受 MNIST 图像序列并输出一个分类标签。 ```python class RNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(RNN, self).__init__() self.hidden_size = hidden_size self.rnn = nn.RNN(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): # 初始化隐藏状态 h0 = torch.zeros(1, x.size(0), self.hidden_size) # 前向传播 RNN out, _ = self.rnn(x, h0) # 取 RNN 的输出的最后一个时间步 out = self.fc(out[:, -1, :]) return out ``` 接下来，您需要将数据加载到批次中，并将其输入到 RNN 模型中进行训练。 ```python train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=False) model = RNN(28, 128, 10) # 输入大小为 28（序列长度），输出大小为 10（类别数） criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=learning_rate) for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): images = images.view(-1, 28, 28) # 将图像序列转换为 28x28 的矩阵 optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() if (i+1) % 100 == 0: print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.item())) ``` 最后，您可以使用测试数据集评估模型的性能： ```python with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: images = images.view(-1, 28, 28) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Test Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total)) ``` 希望这可以帮助您开始使用 PyTorch 实现 RNN 并在 MNIST 上进行分类。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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