pytorch保存准确率_使用Pytorch构建浅层神经网络

点击上方 “小白学视觉 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达

关键知识点

前面我们刚刚组队完毕，更新了第一篇，我说我会坚持写下去，这个是我的第二篇，使用pytorch实现简单神经网络完成手写数字识别。这个是所有深度学习框架入门标配的例子，但是从这个例子上我们可以学到pytorch的很多基础知识点，我罗列一下，大致有如下：

1.开始用torch.nn包里面的函数搭建网络
2.模型保存为pt文件与加载调用
3.Torchvision.transofrms来做数据预处理
4.DataLoader简单调用处理数据集

只有理解和看清以上四点才算入门了这个例子。

数据集：

Mnist数据集，数字为0~9、大小为28x28的灰度图像。

加载数据集代码实现：

train_ts = tv.datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_ts = tv.datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_dl = DataLoader(train_ts, batch_size=32, shuffle=True, drop_last=False) test_dl = DataLoader(test_ts, batch_size=64, shuffle=True, drop_last=False)

预处理数据方式

transform = tv.transforms.Compose([tv.transforms.ToTensor(),tv.transforms.Normalize((0.5,), (0.5,)),])

其中

Totensor表示把灰度图像素值从0~255转化为0~1之间

Normalize表示对输入的减去0.5, 除以0.5

网络结构如下：

输入层：784个神经元

隐藏层：100个神经元

输出层：10个神经元

model = t.nn.Sequential(     t.nn.Linear(784, 100),     t.nn.ReLU(),     t.nn.Linear(100, 10),     t.nn.LogSoftmax(dim=1) )

定义损失函数与优化函数

"mean")

开启训练

for s 

测试模型准确率

0;

打印准确率与保存模型

print("total acc : %.2f\n"%(correct_count / total)) t.save(model, './nn_mnist_model.pt')

完整演示代码

import torch 

运行结果: