R语言 在mnist数据集使用torch建立卷积神经网络

最新推荐文章于 2023-02-03 11:05:24 发布
最新推荐文章于 2023-02-03 11:05:24 发布
阅读量2.6k 收藏 27
点赞数 3
文章标签： 神经网络 cnn r语言 卷积神经网络 深度学习
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/weixin_43869728/article/details/120165479
版权

如果你在使用R语言，想要用R语言建立一个深度神经网络，那将是非常困难的。因为好多的深度神经网络的架构，都是在python上，而关于R语言的非常少。如nnet包，RSNNS包等，受之于激活函数的影响，以及只能使用一个cpu进行单线程计算，并且这些包也没有提供建立卷积神经网络的功能。

几年前，我被 R 的 tensorflow 包短暂地吸引住了，但我无法建立一个可靠的工作流程，因为它的 Python 后端不断地挡路。 （许多令人恼火的小时都在徒劳地尝试配置我的 GPU）。

Torch 是一个使用 C++ 后端 libtorch，作为运算的底层，而不是 Python 。

然而，torch 仍然处于起步阶段，尽管它能够完成大多数成熟的深度学习框架可以做的事情，但它没有提供那种让初学者可以直观地掌握的高级 API。 这篇文章的目的是帮助读者熟悉torch包。 

现在我们以mnist手写数字数据集，使用R语言的torch包，建立一个卷积神经网络，作为torch的教学。

安装torch包

install.packages("torch")

library(torch)

  # install_torch()   #一般情况下该行代码是不需要运行的，在library之后，会下载安装torch需要的底层架构，如果没有成功安装，就需要你手动运行这行代码。如果失败：请找把梯子。

#以及需要配置其它的系统环境，根据提示进行配置

如果没有mnist数据集，可以通过下面的网址进行下载，格式是csv文件。数据集下载：

https://pjreddie.com/media/files/mnist_train.csv

最低0.47元/天 解锁文章
linxy_R语言
关注
  • 3
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
用R语言构建卷积神经网络实现图像分类：CIFAR-10案例研究
sybh的博客
09-16 270
CIFAR-10是一个包含10个类别的图像数据集，每个类别包含6000张32x32像素的彩色图像。这个数据集用于机器学习和计算机视觉领域的基准测试。它包含了以下10个类别的图像：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。我们的任务是训练一个CNN模型，使其能够将这些图像准确分类到相应的类别中。
R语言对MNIST数据集分析：探索手写数字分类
weixin_34190136的博客
06-21 2516
数据科学和机器学习之间区别的定义：数据科学专注于提取洞察力，而机器学习对预测有兴趣。我还注意到这两个领域大相径庭： 我在我的工作中同时使用了机器学习和数据科学：我可能会使用堆栈溢出流量数据的模型来确定哪些用户可能正在寻找工作（机器学习），但是会构建摘要和可视化来检查为什么（数据科学）。 我想进一步探讨数据科学和机器学习如何相互补充，展示我将如何使用数据科学来解决图像分类问题。我们将使用经典的机...
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化
大数据部落
11-21 2401
原文链接：http://tecdat.cn/?p=24386 原文出处：拓端数据部落公众号 本文演示了训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用 Keras Sequential API，因此创建和训练我们的模型只需几行代码。 设置 ​ library(keras) ​ 下载并准备 CIFAR10 数据集 CIFAR10 数据集包含 10 个类别的 60,000 张彩色图像，每个类别有 6,000 张图像。数据集分为 50,000 张训...
机器学习入门（一）--MNIST（pytorch）模型的构造以及使用（详细）
a1105425455的博客
06-10 1万+
识别手写数字（MNIST数据集） model的构建 1.加载必要的库 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets,transforms 2.确定超参数 BATCH_SIZE = 64#每批处理的数据 一次性多少个 DEVICE = torch.device("cuda")#使用GPU EPOCH
模糊神经网络控制算法_R语言实现CNN（卷积神经网络）模型进行回归数据分析...
weixin_31664931的博客
01-30 910
原文链接：http://tecdat.cn/?p=18149​tecdat.cn当我们将CNN（卷积神经网络）模型用于训练多维类型的数据（例如图像）时，它们非常有用。我们还可以实现CNN模型进行回归数据分析。我们之前使用Python进行CNN模型回归 ，在本文中，我们在R中实现相同的方法。我们使用一维卷积函数来应用CNN模型。我们需要Keras R接口才能在R中使用Keras神经网络API。如果...
深度学习——numpy和torch的对比
Elon15的博客
02-03 1177
深度学习——numpy和torch的对比
利用pytorch搭建卷积神经网络（CNN）训练简单手写数字数据集（MNIST）
最新发布
10-25
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理领域广泛应用的深度学习模型。在本项目中，我们将使用PyTorch框架构建一个简单的CNN来识别MNIST数据集中的手写数字。MNIST是机器学习领域的一个...
B站@同济子豪兄 用pytorch搭建全连接神经网络分类Fashion-MNIST数据集
03-27
在本项目中，我们将深入探讨如何使用PyTorch框架构建一个全连接的神经网络来解决图像分类...随着你对深度学习的理解加深，你可以尝试调整网络架构、增加层数、改变学习率，甚至引入卷积神经网络，以提高模型的性能。
MNIST数据集.zip
04-21
在训练模型时，MNIST数据集的常用技巧包括数据增强（如旋转、翻转）、卷积神经网络（CNNs）架构设计、正则化策略（如dropout、权重衰减）、优化算法选择（如SGD、Adam）以及调整学习率策略。此外，还可以探索迁移...
MNIST数据集及使用BP神经网络分类的源程序
04-24
MNIST数据集是机器学习领域一个非常经典的图像识别任务，主要包含0到9的手写数字图像，用于训练和测试各种图像识别算法。这个资源包提供了一个使用PyTorch框架实现的BP（Backpropagation，反向传播）神经网络模型，...
Mnist-Torch_torch_Mnist-Torch_
10-03
mnist图片集分类 pytorch实现
PyTorch使用MNIST数据集创建CNN
05-18
PyTorch创建的CNN网络，并使用MNIST数据集训练网络，适用于Pytorch新手以及刚接触CNN的朋友
关于Pytorch的MNIST数据集的预处理详解
12-23
在PyTorch中，预处理MNIST数据集是构建高效卷积神经网络（CNN）模型的关键步骤。MNIST数据集包含60,000张28x28像素的手写数字图像，以及对应的标签，用于训练，还有10,000张图像用于测试。在本篇文章中，我们将深入...
torch入门笔记4:用torch实现MNIST手写数字识别
Focusing on your own Mind :) －> 站在巨人的肩膀上
10-09 1368
本节代码地址： https://github.com/vic-w/torch-practice/tree/master/mnist MNIST是手写数字识别的数据库。在深度学习流行的今天，MNIST数据库已经被大家玩坏了。但是用它来学习卷积神经网络是再好不过的了。这一次，我们就用Torch来实现MNIST数据库的识别。 这一次的代码用到了mnist库，如果之前没有安装，可以在命令
pytorch之CNN
迪斯尼在逃女巫的博客
04-02 215
索引前言代码补充 前言 老规矩~~ b站up主莫烦python的听课笔记 代码 示例：代码很简单，就两层的卷积层+池化堆叠识别数字，用的MNIST数据集。这个网络结构很简单，如果想弄清楚原理的话，可以去看看7层的LeNet网络。 """ View more, visit my tutorial page: https://mofanpy.com/tutorials/ My Youtube Channel: https://www.youtube.com/user/MorvanZhou Dependenc
Pytorch 1.1.0驾到！小升级大变动，易用性更强，支持自定义RNN
R语言中文社区
05-04 955
新智元原创来源：pytorch.org、GitHub编辑：金磊【新智元导读】盼望已久，Pytorch终于更新了！Pytroch 1.1.0的发布除了修复了已有bu...
R语言 饼状图
KopWelkin的博客
04-14 1万+
R编程语言有许多库来创建图表和图表。 饼图是将值表示为具有不同颜色的圆的切片。 切片被标记，并且对应于每个片的数字也在图表中表示。 在R语言中，饼图是使用pie()函数创建的，它使用正数作为向量输入。 附加参数用于控制标签，颜色，标题等。 语法 使用R语言创建饼图的基本语法是 - pie(x, labels, radius, main, col, clockwise) 以下是所使...
对数据集做标准化处理的几种方法——基于R语言
weixin_30398227的博客
07-23 4218
数据集——iris（R语言自带鸢尾花包） 一、scale函数 scale函数默认的是对制定数据做均值为0，标准差为1的标准化。它的两个参数center和scale： 1）center和scale默认为真,即T 2）center为真表示数据中心化 3）scale为真表示数据标准化 中心化：所谓数据的中心化是指数据集中的各项数据减去数据集的均值。 标准化：标准化就是数据在中心化...
详解 MNIST 数据集
热门推荐
Liu-Cheng Xu
07-17 31万+
MNIST 数据集已经是一个被”嚼烂”了的数据集, 很多教程都会对它”下手”, 几乎成为一个 “典范”. 不过有些人可能对它还不是很了解, 下面来介绍一下.MNIST 数据集可在 http://yann.lecun.com/exdb/mnist/ 获取, 它包含了四个部分: Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47
使用pytorch训练mnist数据集上的卷积神经网络
03-16
使用PyTorch训练MNIST数据集上的卷积神经网络可以按照以下步骤进行： 1. 导入必要的库和数据集 ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.datasets as datasets import torchvision.transforms as transforms # 加载MNIST数据集 train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor(), download=True) # 定义批次大小 batch_size = 64 # 创建数据加载器 train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) ``` 2. 定义卷积神经网络模型 ```python class ConvNet(nn.Module): def __init__(self): super(ConvNet, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1) self.relu1 = nn.ReLU() self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1) self.relu2 = nn.ReLU() self.pool = nn.MaxPool2d(kernel_size=2, stride=2) self.fc1 = nn.Linear(64 * 7 * 7, 128) self.relu3 = nn.ReLU() self.fc2 = nn.Linear(128, 10) def forward(self, x): out = self.conv1(x) out = self.relu1(out) out = self.conv2(out) out = self.relu2(out) out = self.pool(out) out = out.view(out.size(), -1) out = self.fc1(out) out = self.relu3(out) out = self.fc2(out) return out # 创建模型实例 model = ConvNet() ``` 3. 定义损失函数和优化器 ```python # 定义损失函数 criterion = nn.CrossEntropyLoss() # 定义优化器 optimizer = optim.Adam(model.parameters(), lr=.001) ``` 4. 训练模型 ```python # 定义训练函数 def train(model, train_loader, criterion, optimizer, num_epochs): for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 每100个批次打印一次训练信息 if (i+1) % 100 == : print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) # 开始训练 num_epochs = 5 train(model, train_loader, criterion, optimizer, num_epochs) ``` 5. 测试模型 ```python # 定义测试函数 def test(model, test_loader): # 测试模式 model.eval() # 定义变量 correct = total = # 不计算梯度 with torch.no_grad(): for images, labels in test_loader: # 前向传播 outputs = model(images) _, predicted = torch.max(outputs.data, 1) # 统计正确率 total += labels.size() correct += (predicted == labels).sum().item() # 输出测试结果 print('Accuracy of the model on the 10000 test images: {:.2f} %'.format(100 * correct / total)) # 测试模型 test(model, test_loader) ``` 以上就是使用PyTorch训练MNIST数据集上的卷积神经网络的完整代码。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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