利用cnn实现手写数据集识别

        先是数据集训练的文件，这里我用的是三层卷积、三次最大池化，然后两层线性层，梯度优化那里使用的是Adam算法，先运行训练文件，可以得到对应的数据集和权重文件。然后这里，'/home/wxc/data/MNIST/raw/model_weights.pth'，这个是权重文件保存路径，记得修改到自己想保存的位置。这个训练精确度大家可以训练一次就跑一次test，看看精确度，然后精确度最高的一次保留下来，就可以今后直接调用了

import numpy as np
import torch 
from torch import optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
from shibie_train import M_CNN


transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=(0.5,),std=(0.5,))]) # 转变成张量在标准化
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)# 这里是在传输数据
model = M_CNN()

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device") # 确保在使用GPU进行运算
model.load_state_dict(torch.load('/home/wxc/data/MNIST/raw/model_weights.pth', map_location=device))

model = model.to(device)
# 设置模型为评估模式
model.eval()

# 在测试集上应用模型
correct = 0
total = 0
with torch.no_grad():
    for data in test_loader:
        images, labels = data[0].cuda(), data[1].cuda()
        # 这里是类型转换，因为输入的是torch.cuda.FloatTensor类型，权重文件是torch.FloatTensor类，所以要转成一样类型
        
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1) # 这个就是找到输出最大一个概率
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy on the test set: %d %%' % (100 * correct / total)) # 计算一下相等的数据与总体数据占比

        然后在进行测试

import numpy as np
import torch 
from torch import optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
from shibie_train import M_CNN


transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=(0.5,),std=(0.5,))]) # 转变成张量在标准化
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)# 这里是在传输数据
model = M_CNN()

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device") # 确保在使用GPU进行运算
model.load_state_dict(torch.load('/home/wxc/data/MNIST/raw/model_weights.pth', map_location=device))
model = model.to(device)
# 设置模型为评估模式
model.eval()

# 在测试集上应用模型
correct = 0
total = 0
with torch.no_grad():
    for data in test_loader:
        images, labels = data[0].cuda(), data[1].cuda()
        # 这里是类型转换，因为输入的是torch.cuda.FloatTensor类型，权重文件是torch.FloatTensor类，所以要转成一样类型
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1) # 这个就是找到输出最大一个概率
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy on the test set: %d %%' % (100 * correct / total)) # 计算一下相等的数据与总体数据占比

        这个是测试准确度的代码