[pytorch]通过CNN实现手写数字识别（附完整代码）

最新推荐文章于 2024-07-11 09:41:13 发布
最新推荐文章于 2024-07-11 09:41:13 发布
阅读量6.1k 收藏 54
点赞数 4
分类专栏： pytorch python 文章标签： python 卷积神经网络
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_45402214/article/details/109989430
版权

CNN实现手写数字识别

卷积神经网络介绍

卷积神经网络它的优点在于，需要调优的参数比全连接神经网络少的多，因此他的训练速度会快很多。一般多用于做视觉识别。

什么是卷积

下面我们来看一下这张图片，从下图我们可以看到

  1. 左边这个二维矩阵表示的是一张661的图片，661意思是一张长为6宽为6通道数为1的图片，一张彩色的图片的通道数是3，所以我们调颜色有三个值分别是RGB。
  2. 中间是一个33的一个二维矩阵，33的大小也不是固定的，可以根据实际情况取值。。在卷积神经网络中称为卷积核或者过滤器，它就是整个神经网络要训练取得的参数。一开始初始化时可以随便赋值。这个卷积核相当于从图像矩阵中不停的移动，每次移动一格，从而得到最右边的另外一张图片。比如从左上角开始计算31+00+1*-1+11+50+8*-1+21+70+2*-1 = -5。
  3. 假设我们有一张图像是NN的，过滤器FF，最后得到(N-F+1)(N-F+1)的图像。下图中输入的是一张66的图像，输出的是一张4*4的图像。**这样就会有两个缺点：一是一张图片经过层层的卷积之后，输出的图片越来越小了。那应该怎么保证输出的图片保持原来的大小呢，请看下一个知识点padding。**二是边缘的值因为被计算的次数较少，因此可能会丢失调边缘的特征。

在这里插入图片描述

padding

padding的中文意思是填充，大概意识是要不要在图像周围用0填充。padding有两种，一种是valid，另一种是same。valid模 式即是输出的图像不需要与原图像大小相等，same模式即是输出的图像需要与原图像大小相等。但是要在图像周围填充多少层0才能保证输出的图像与原图像等大小呢。

假设加一圈0则P = 1，那么图像的大小又原来的6变成了吧，即N+2P。上面我已经给出了计算输出图像大小的公式：输出图像大小 ： (N-F+1)(N-F+1)，现在变成了(N+2P-F+1) (N+2P-F+1).因为输入的大小等于输出的大小所以：
N+2P-F+1)= N,推出 P = (F-1)/2

最低0.47元/天 解锁文章
nothing-xianm
关注
  • 4
    点赞
  • 踩
  • 54
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
CNN卷积神经网络手写数字识别实例及代码详解
VivienFu的专栏
12-30 6万+
本文的代码来自githup的Deep Learning的toolbox，是用Matlab实现的。感谢该toolbox的作者付出和分享。 我在应该该代码进行训练时，出现一些报错，如expand函数应用不对，flipall函数未定义等问题，对这些问题进行了修正，完成网络训练和验证。 本文mnist_uint8.mat的获取可以参照我的另一篇博客：MNIST数据库处理--matlab生成mnist_
Pytorch实现手写体识别（基于CNN卷积神经网络）实操详解（附完整代码free）
weixin_42989738的博客
09-09 4112
手写体作为深度学习的“Hello world”，几乎所有的课程都会讲到这个，今天带着大家一些看看吧。 如果对你有所帮助，点个赞给个小关注，以后一起交流学习。 前言 首先和大家讲讲我为啥会看到这个，因为我需要写论文，关于图像增强的，比如夜视，曝光，去雨，去雪，去雾等，以往采用的是传统的方法“直方图，暗通道，retinex”等，现在随着深度学习的发展，只从12年人机大战，深度学习迅速爆棚，由于结果惊艳，所以深度学习进入了人们感兴趣的领域。 好不夸张的说，现在各行各业都在使用深度学习，这个也是我需要研究的课题。
基于PyTorch-手写数字识别-完整代码（含数据集+输出+完整注释）
05-03
大家好，这是近期完整的一个小项目，基于PyTorch_手写数字识别_完整代码（含数据集+输出+完整注释），已经在博客中记录，建议结合专栏【Python从入门到人工智能】学习，效果会更好哈！欢迎有需要的朋友下载！祝各位学习顺利~
基于pytorch搭建CNN实现手写数字识别
03-29
pytorch实战 # 基于pytorch搭建CNN实现手写数字识别介绍 本文将介绍如何使用pytorch搭建卷积神经网络(CNN)来实现手写数字识别。手写数字识别是计算机视觉领域的一个重要应用场景，它可以被广泛应用于自然语言处理、图像处理等多个领域。本文将会讲解CNN的原理、pytorch的基本使用方法以及如何利用pytorch搭建一个简单的手写数字识别模型。希望本文能够帮助读者更好地理解CNN和pytorch，并且能够搭建出自己的手写数字识别模型。 ## CNN的原理 卷积神经网络(CNN)是一种深度学习的神经网络结构，它能够有效地解决图像、语音和自然语言等领域的问题。CNN的核心思想是利用卷积操作和池化操作来提取图像特征，从而实现对图像的分类、识别等任务。CNN主要由卷积层、池化层和全连接层三部分组成。卷积层用于提取图像的特征，池化层用于降低特征的维度，全连接层用于对特征进行分类或者回归。 ## pytorch的基本使用方法 pytorch是一个基于python的深度学习框架，它提供了丰富的API来方便我们进行深度学习模型的搭建和训练。使用pytorch可以帮助我们更加
【深度学习入门篇 ④ 】Pytorch实现手写数字识别
最新发布
小森的博客
07-11 1335
通过前面的学习，我们已经掌握了PyTorch API的基本使用，今天我们使用PyTorch实现手写数字识别案例！通过前面的内容可知，调用MNIST返回的结果中图形数据是一个Image对象,需要对其进行处理，为了进行数据的处理，接下来学习的方法~是PyTorch中用于图像预处理和增强的一个重要模块，它提供了多种对的方法，如裁剪、旋转、缩放、归一化等。这些方法可以单独使用，也可以通过类组合起来，形成复杂的预处理流程。
CNN实现手写数字识别（Pytorch）
weixin_46599926的博客
05-04 1万+
CNN（卷积神经网络）主要包括卷积层、池化层和全连接层。输入数据经过多个卷积层和池化层提取图片信息后，最后经过若干个全连接层获得最终的输出。以下基于Pytorch框架搭建一个CNN神经网络实现手写数字识别。
Pytorch使用CNN实现手写数字识别
windmyself的专栏
06-30 1044
环境：python3、torch1.2.0(torch1.5.0也可以)、torchvision0.4.0 代码：（注：download=False第一次应该设为True，原因在代码注释里） # 参考链接：https://www.cnblogs.com/yangmang/p/7530748.html import torch import torch.nn as nn from torch.autograd import Variable import torch.utils.data as dat.
深度学习04 - 卷积神经网络-实践篇-使用pytorch(CNN)实现手写数字识别
weixin_42673117的博客
01-21 863
1、问题 使用Pytorch及CNN框架实现手写数字识别问题 2、代码 1、导包 导入如下一些包，后面会用到 import torch import torch.nn as nn from torch.autograd import Variable import torch.utils.data as Data import torchvision import time from torchvision import transforms import matplotlib.pyplot as plt
21- PyTorch通过CNN实现手写数字识别 (PyTorch系列) (项目二十一)
March_A的博客
03-06 973
使用GPU进行训练把模型转移到GPU上将每一批次的训练数据转移到GPU上# 定义损失函数# optimizer 优化器, 防止过拟合# 训练过程total = 0# 把数据放到GPU上# 梯度清零loss.backward() # backward 反向传播# 计算损失过程# 循环完一次后, 计算损失# 测试数据的代码# 计算损失# 计算平均损失# 打印输出# 执行操作 # 可以打包一个history。
利用CNN进行手写数字识别代码详解（新手学习）
白羊by的博客
11-12 1889
利用CNN进行手写数字识别代码详解（新手学习） # Copyright 2015 The TensorFlow Authors. All Rights Reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the Lice
【机器学习】Pytorch实现CNN、FNN手写数字识别
深思深练 厚积薄发
03-30 1137
Pytorch神经网络入门，使用MNIST数据集的手写数字识别，小白入门，尽量把每一步搞明白，记录遇到的问题。实现了一个卷积神经网络和前馈神经网络，
【Pytorch】基于CNN手写汉字的识别
热门推荐
知跃的博客
02-23 1万+
继上次写的MNIST数字识别代码，我又开始尝试手写汉字的识别 于是上网查资料，本篇博客主要参考了此博客，并在其基础上改进和增加了一些适合小白的内容，若此博客内容侵犯了您的权益，请与我联系及时删除 原作者博客：「Pytorch」CNN实现手写汉字识别（数据集制作，网络搭建，训练验证测试全部代码） 在这先感谢大佬的无私分享，给我们这些小白提供了巨大的帮助！ 首先放上一些对下文理解有帮助的函数介绍，有像...
CNN实现手写体数字的识别
03-21
一个简单的CNN程序，实现对十种手写体数字的识别
基于TensorFlow的CNN实现Mnist手写数字识别
09-16
主要为大家详细介绍了基于TensorFlow的CNN实现Mnist手写数字识别，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
基于卷积神经网络的手写数字识别python代码实现
04-20
基于卷积神经网络的手写数字识别python代码实现 卷积神经网络（Convolutional Neural Network,CNN）中，卷积层的神经元只与前一层的部分神经元节点相连，即它的神经元间的连接是非全连接的，且同一层中某些神经元之间的连接的权重 w 和偏移 b 是共享的（即相同的），这样大量地减少了需要训练参数的数量。
MNIST CNN 手写体识别完整数据集加代码
04-06
完整的MNIST CNN手写体识别数据集加代码，深度学习入门好资源！
基于pytorch搭建CNN实现手写数字识别项目源码（95分以上大作业）.zip
08-16
基于pytorch搭建CNN实现手写数字识别项目源码（95分以上大作业）.zip 高分通过项目，期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。 基于pytorch搭建CNN实现手写数字识别项目源码（95分以上大...
深度学习作业-基于pytorch框架python实现手写数字识别完整源码+文档说明.zip
03-04
深度学习作业-基于pytorch框架python实现手写数字识别完整源码+文档说明.zip 95分以上大作业项目，代码完整下载即用。1.正确设置路径 ├── cnn_mnist_pytorch.py #主程序 ├── modelpara.pth #已训练网络参数...
利用pytorch构建CNN实现手写数字识别
05-28
好的，下面是利用 PyTorch 构建 CNN 实现手写数字识别的代码： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms # 定义变换 transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) # 加载数据集 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) # 定义网络模型 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(torch.relu(self.conv1(x))) x = self.pool(torch.relu(self.conv2(x))) x = x.view(-1, 16 * 4 * 4) x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # 训练网络 for epoch in range(2): # 多次遍历数据集 running_loss = 0.0 for i, data in enumerate(trainloader, 0): # 获取输入 inputs, labels = data # 梯度清零 optimizer.zero_grad() # 正向传播，反向传播，优化 outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 打印统计信息 running_loss += loss.item() if i % 2000 == 1999: # 每 2000 个小批量数据打印一次 print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print('Finished Training') # 在测试集上测试网络 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)) ``` 这个代码会下载MNIST数据集，使用了一个两层卷积神经网络（Convolutional Neural Network，CNN）来训练手写数字识别模型，并在测试集上进行测试，输出模型在测试集上的准确率。
评论 7
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