pytorch学习笔记（四）——MNIST数据集实战

最新推荐文章于 2024-03-13 21:09:22 发布

南风渐起

最新推荐文章于 2024-03-13 21:09:22 发布

阅读量924

点赞数

分类专栏： pytorch 文章标签：深度学习 python

本文链接：https://blog.csdn.net/weixin_43886278/article/details/104108617

版权

pytorch入门之MINIST数据集实战

在这里插入图片描述
上图所示是一个简单的二层神经网络结构，猫和狗的图片作为输入，依次是输入层，隐层，输出层。每张图片作为输入经过模型得到输出判别是猫还是狗，将输入与真实值之间求误差，再对误差求梯度优化参数w和b，使最后得到的误差尽可能小。

回顾

在这里插入图片描述

上一个博客中我们讲到，我们将输入X经过一个线性模型得再通过ReLU激活函数得到H1，在经过一次ReLU得到H2，最后一层通常并不使用ReLU激活函数，常见的有sigmoid，softmax的函数，这里我们直接通过一个线性模型得到H3，即为最终的预测输出。

识别的四个步骤

在这里插入图片描述
1.首先通过pytorch自带函数完成minist数据集的下载，解析，读取图片
2.建立如上图所示的三层非线性模型
3.输入训练集完成参数的优化
4.输入测试集对训练好的模型进行评估

实现代码

辅助代码utils.py

import  torch
from    matplotlib import pyplot as plt


def plot_curve(data):#绘制曲线
    fig = plt.figure()#创建一个图片
    plt.plot(range(len(data)), data, color='blue')
    #图片横坐标为0-数据长度 纵坐标为数据 颜色蓝色
    plt.legend(['value'], loc='upper right')
    plt.xlabel('step')
    plt.ylabel('value')
    #图片横纵坐标的label
    plt.show()
    #显示图片


def plot_image(img, label, name):#显示图片

    fig = plt.figure()#创建一个图片对象
    for i in range(6):
        plt.subplot(2, 3, i + 1)#子图
        plt.tight_layout()#自动调整子图参数 未必会工作
        plt.imshow(img[i][0]*0.3081+0.1307, cmap='gray', interpolation='n