点击上方蓝字关注我们
微信公众号:OpenCV学堂
关注获取更多计算机视觉与深度学习知识
循环神经网络
大家好,使用pytorch实现简单的人工神经网络跟卷积神经网络的mnist手写识别案例之后,今天给大家分享一下如何基于循环神经网络实现mnist手写数字识别。这里基于pytorch提供的函数,简单封装分别实现了一个RNN跟LSTM的模型,然后分别使用这两个模型完成了mnist数字识别。下面就来说说数据集跟模型实现部分。
数据集:mnist手写数据集
模型输入:[N, seq_len, x] = [N, 28, 28]
其中N表示batch size
中间的seq_len=28表示展开28次
最后28表示每次输入28x1
对应的mnist数据集图像大小28x28的大小。
隐藏层:对RNN用了2层,对LSTM用了1层,简单看一下一个隐藏层的RNN展开,你就会明白一切,如下图:
上图就是RNN单元简单的展开说明,可以有多个隐藏层的。
网络实现
网络实现的代码部分,有一个叫batch_first的参数,它的意思是batch size放在输入的第一个维度。所以我这里填上true。同样通过继承基类t.nn.Module来实现模型结构定义。
RNN网络的代码实现,隐藏层神经元100个
class RNN_Net(t.nn.Module):
def __init__(self):
super(RNN_Net, self).__init__()
self.rnn_layers = t.nn.RNN(input_size=28, hidden_size=100, num_layers=2, batch_first=True)
self.out_layer = t.nn.Linear(100, 10)
def forward(self, x):
r_out, hn = self.rnn_layers(x, None)
out = self.out_layer(r_out[:, -1, :])
return out
LSTM网络的代码实现,隐藏层神经元60个
class LSTM_Net(t.nn.Module):
def __init__(self):
super(LSTM_Net, self).__init__()
self.rnn_layers = t.nn.LSTM(input_size=28, hidden_size=64, num_layers=1, batch_first=True)
self.out_layer = t.nn.Linear(64, 10)
def forward(self, x):
r_out, hn = self.rnn_layers(x, None)
out = self.out_layer(r_out[:, -1, :])
return out
训练与测试
训练与测试代码实现
rnn_model = LSTM_Net()
print(rnn_model)
optimizer = t.optim.Adam(rnn_model.parameters(), lr=0.001)
loss_fn = t.nn.CrossEntropyLoss()
for epoch in range(2):
for i, (x_train, y_train) in enumerate(train_dl):
x_train = x_train.view(-1, 28, 28)
y_pred = rnn_model(x_train)
train_loss = loss_fn(y_pred, y_train)
optimizer.zero_grad()
train_loss.backward()
optimizer.step()
if (i + 1) % 50 == 0:
print(i + 1, train_loss.item())
total = 0
correct_count = 0
for test_images, test_labels in test_dl:
for i in range(len(test_labels)):
image = test_images[i].view(1, 28, 28)
with t.no_grad():
pred_labels = rnn_model(image)
probs = list(pred_labels.numpy()[0])
pred_label = probs.index(max(probs))
true_label = test_labels.numpy()[i]
if pred_label == true_label:
correct_count += 1
total += 1
print("total acc : %.2f\n"%(correct_count / total))
t.save(rnn_model, './rnn_mnist_model.pt')
测试与运行结果如下:
今天是520,留言点赞的都是真爱!希望大家继续支持,大家的支持与反馈是我坚持写下去的动力!
推荐阅读
轻松学Pytorch–环境搭建与基本语法
Pytorch轻松学-构建浅层神经网络
轻松学pytorch-构建卷积神经网络
不积硅步,无以至千里