实验报告
目录
1. 实验项目名称
2. 实验时间，实验地点
3. 实验目的
4. 实验内容
5. 实验代码，运行结果
6. 实验小结
1. 实验项目名称
开发一个简单的图片分类器
2. 实验时间，实验地点
实验时间：2021年10月1日至2021年10月10日
实验地点：实验室
3. 实验目的：
- 熟悉Python编程语言
- 掌握PyTorch深度学习框架
- 学习机器学习中的图像分类算法
- 实现一个简单的图片分类器
4. 实验内容：
本次实验的内容主要包括以下步骤：
4.1 数据集准备
使用MNIST手写数字数据集作为实验数据集，该数据集包含60000张28*28的手写数字图片作为训练集，10000张28*28的手写数字图片作为测试集。
4.2 模型设计与训练
使用PyTorch框架设计一个简单的卷积神经网络模型，该模型包含两个卷积层，两个池化层和一个全连接层。使用训练集对模型进行训练，并在测试集上进行测试。
4.3 模型评估
使用Accuracy和Confusion Matrix对模型进行评估，计算模型的准确率和混淆矩阵。
5. 实验代码，运行结果
5.1 数据集准备
```python
import torch
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.MNIST(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.MNIST(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
```
5.2 模型设计与训练
```python
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 4 * 4, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 4 * 4)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(2):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 2000 == 1999:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
```
5.3 模型评估
```python
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
classes = ('0', '1', '2', '3', '4', '5', '6', '7', '8', '9')
confusion_matrix = torch.zeros(10, 10)
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs, 1)
for t, p in zip(labels.view(-1), predicted.view(-1)):
confusion_matrix[t.long(), p.long()] += 1
print(confusion_matrix)
```
运行结果：
```
[1, 2000] loss: 2.303
[1, 4000] loss: 2.300
[1, 6000] loss: 2.294
[1, 8000] loss: 2.240
[1, 10000] loss: 1.602
[1, 12000] loss: 0.675
[2, 2000] loss: 0.331
[2, 4000] loss: 0.229
[2, 6000] loss: 0.190
[2, 8000] loss: 0.160
[2, 10000] loss: 0.151
[2, 12000] loss: 0.141
Finished Training
Accuracy of the network on the 10000 test images: 97 %
tensor([[ 966., 0., 2., 0., 0., 1., 5., 1., 5., 0.],
[ 0., 1123., 3., 1., 0., 1., 4., 0., 3., 0.],
[ 12., 3., 973., 8., 5., 0., 3., 6., 19., 3.],
[ 0., 0., 1., 994., 0., 3., 0., 5., 2., 5.],
[ 1., 0., 4., 0., 953., 0., 7., 1., 2., 14.],
[ 3., 0., 0., 12., 1., 859., 6., 0., 8., 3.],
[ 6., 3., 0., 0., 4., 3., 940., 0., 2., 0.],
[ 1., 5., 21., 1., 1., 0., 0., 975., 3., 21.],
[ 11., 0., 5., 5., 6., 3., 3., 3., 937., 1.],
[ 4., 4., 0., 8., 19., 2., 0., 8., 3., 961.]])
```
6. 实验小结
本次实验通过使用PyTorch深度学习框架和MNIST手写数字数据集，开发了一个简单的图片分类器。实验过程中，我们学习了机器学习中的图像分类算法，熟悉了Python编程语言和PyTorch深度学习框架的使用。通过实验，我们成功地实现了一个基于卷积神经网络的图片分类器，并通过Accuracy和Confusion Matrix对其进行了评估。实验结果表明，我们开发的图片分类器在测试集上的准确率达到了97%，具有较好的分类性能。
3716
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
