Pytorch极简入门教程（十）—— 手写数字识别

最新推荐文章于 2021-05-06 22:03:03 发布
最新推荐文章于 2021-05-06 22:03:03 发布
阅读量157 收藏 1
点赞数 1
分类专栏： Pytorch 文章标签： 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_44533869/article/details/110846164
版权 
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import numpy as np
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt

"""
torchvision内置了常用数据集和常见的模型
"""
import torchvision
# datasets 放数据集  transforms 转换数据集
from torchvision import datasets, transforms
# transforms.ToTensor (1)转化为一个tensor (2)转换到0-1之间 (3)会将channel放在第一维度上

transformation = transforms.Compose([transforms.ToTensor()
                                     ])
train_ds = datasets.MNIST("./data", train=True, transform=transformation, download=True)

test_ds = datasets.MNIST("./data", train=False, transform=transformation, download=True)

train_dl = DataLoader(train_ds, batch_size=64, shuffle=True)
test_dl = DataLoader(test_ds, batch_size=256)

imgs, labels = next(iter(train_dl))
print("imgs.shape:\t", imgs.shape)

"""
在pytorch里面图片的表示形式：[batch, channel, hight, width]
"""

img = imgs[0]
print("img.shape:\t", img.shape)

img = img.numpy()
print("img.shape:\t", img.shape)
# squeeze() 从数组的形状中删除单维度条目，即把shape中未1的维度去掉
img = np.squeeze(img)
print("np.squeeze(img):\t", img)
print("img.shape:\t", img.shape)

plt.imshow(img)
plt.show()
# 查看第一张图片的标签
print("labels[0]:\t", labels[0])

def imshow(img):
    npimg = img.numpy()
    npimg = np.squeeze(npimg)
    plt.imshow(npimg)
plt.figure(figsize=(10, 1))
for i, img in enumerate(imgs[:10]):
    plt.subplot(1, 10, i+1)
    imshow(img)
plt.show()

# 创建模型
class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.liner_1 = nn.Linear(784, 120)
        self.liner_2 = nn.Linear(120, 84)
        self.liner_3 = nn.Linear(84, 10)
    def forward(self, input):
        x = input.view(-1, 784)
        x = F.relu(self.liner_1(x))
        x = F.relu(self.liner_2(x))
        x = self.liner_3(x)
        return x

loss_fn = torch.nn.CrossEntropyLoss()
model = Model()


# 编码一个fit函数，对输入模型、输入数据(train_dl, test_dl)，对数据输入在模型上训练，并且返回loss和acc变化
def fit(epoch, model, trainloader, testloader):
    correct = 0
    total = 0
    running_loss = 0
    for x, y in trainloader:
        y_pred = model(x)
        loss = loss_fn(y_pred, y)
        optim.zero_grad()
        loss.backward()
        optim.step()
        with torch.no_grad():
            y_pred = torch.argmax(y_pred, dim=1)
            correct += (y_pred == y).sum().item()
            total += y.size(0)
            running_loss += loss.item()
    epoch_loss = running_loss / len(trainloader.dataset)
    epoch_acc = correct / total

    test_correct = 0
    test_total = 0
    test_running_loss = 0

    with torch.no_grad():
        for x, y in testloader:
            y_pred = model(x)
            loss = loss_fn(y_pred, y)
            y_pred = torch.argmax(y_pred, dim=1)

            test_correct += (y_pred == y).sum().item()
            test_total += y.size(0)
            test_running_loss += loss.item()

    epoch_test_loss = running_loss / len(trainloader.dataset)
    epoch_test_acc = correct / total

    print("epoch:\t{} loss:\t{} accuracy:\t{} test_loss:\t{} test_accuracy:\t{}".format(epoch, round(epoch_loss, 3),
                                                                                        round(epoch_acc, 3),
                                                                                        round(epoch_test_loss, 3),
                                                                                        round(epoch_test_acc, 3)))
    return epoch_loss, epoch_acc, epoch_test_loss, epoch_test_acc

optim = torch.optim.Adam(model.parameters(), lr=0.001)
epochs = 20

train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
    epoch_loss, epoch_acc, epoch_test_loss, epoch_test_acc = fit(epoch, model, train_dl, test_dl)

    train_loss.append(epoch_loss)
    train_acc.append(epoch_acc)
    test_loss.append(epoch_test_loss)
    test_loss.append(epoch_test_acc)


imgs.shape:	 torch.Size([64, 1, 28, 28])
img.shape:	 torch.Size([1, 28, 28])
img.shape:	 (1, 28, 28)
np.squeeze(img):	 [[0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.09803922 0.69411767 0.61960787 0.8784314  0.39607844
  0.00784314 0.1254902  0.7490196  0.04705882 0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.14509805
  0.6901961  0.9137255  0.9882353  0.99215686 0.9882353  0.9882353
  0.15294118 0.33333334 0.9882353  0.27450982 0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.2901961  0.9019608
  0.9882353  0.9882353  0.9882353  0.6039216  0.6        0.6
  0.5254902  0.92941177 0.9882353  0.08235294 0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.34117648 0.68235296 0.9882353
  0.972549   0.5803922  0.09411765 0.         0.         0.07450981
  0.5568628  0.8745098  0.32156864 0.00392157 0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.05882353 0.87058824 0.9882353  0.77254903
  0.28235295 0.         0.         0.03137255 0.33333334 0.92941177
  0.9882353  0.6784314  0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.39215687 0.9882353  0.7176471  0.01960784
  0.         0.         0.15294118 0.80784315 0.9882353  0.9882353
  0.92156863 0.07450981 0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.9490196  0.9882353  0.6431373  0.02352941
  0.12156863 0.60784316 0.9411765  0.6117647  0.6745098  0.9137255
  0.88235295 0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.9490196  0.9882353  0.85490197 0.7882353
  0.9882353  0.9137255  0.6509804  0.6039216  0.8745098  0.9882353
  0.4745098  0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.30980393 0.9882353  0.9882353  0.9882353
  0.8039216  0.25882354 0.03529412 0.13333334 0.9882353  0.9882353
  0.15294118 0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.01176471 0.4117647  0.5568628  0.3529412
  0.05098039 0.         0.19215687 0.69411767 0.9882353  0.6509804
  0.00784314 0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.43529412 1.         0.99215686 0.17254902
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.08235294 0.7647059  0.99215686 0.80784315 0.05098039
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.65882355 0.9882353  0.99215686 0.56078434 0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.12941177 0.8666667  0.9882353  0.83137256 0.01176471 0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.01176471
  0.6862745  0.9882353  0.9882353  0.43529412 0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.04705882
  0.9882353  0.9882353  0.8392157  0.09411765 0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.4627451
  0.9882353  0.9882353  0.5568628  0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.0627451  0.92156863
  0.9882353  0.9372549  0.27450982 0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.34901962 0.9882353
  0.9882353  0.36862746 0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.34901962 0.9882353
  0.6509804  0.03529412 0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.         0.         0.
  0.         0.         0.         0.        ]]
img.shape:	 (28, 28)
labels[0]:	 tensor(9)
epoch:	0 loss:	0.005 accuracy:	0.906 test_loss:	0.005 test_accuracy:	0.906
epoch:	1 loss:	0.002 accuracy:	0.958 test_loss:	0.002 test_accuracy:	0.958
epoch:	2 loss:	0.001 accuracy:	0.971 test_loss:	0.001 test_accuracy:	0.971
epoch:	3 loss:	0.001 accuracy:	0.978 test_loss:	0.001 test_accuracy:	0.978
epoch:	4 loss:	0.001 accuracy:	0.983 test_loss:	0.001 test_accuracy:	0.983
epoch:	5 loss:	0.001 accuracy:	0.987 test_loss:	0.001 test_accuracy:	0.987
epoch:	6 loss:	0.001 accuracy:	0.988 test_loss:	0.001 test_accuracy:	0.988
epoch:	7 loss:	0.0 accuracy:	0.991 test_loss:	0.0 test_accuracy:	0.991
epoch:	8 loss:	0.0 accuracy:	0.992 test_loss:	0.0 test_accuracy:	0.992
epoch:	9 loss:	0.0 accuracy:	0.993 test_loss:	0.0 test_accuracy:	0.993
epoch:	10 loss:	0.0 accuracy:	0.994 test_loss:	0.0 test_accuracy:	0.994
epoch:	11 loss:	0.0 accuracy:	0.995 test_loss:	0.0 test_accuracy:	0.995
epoch:	12 loss:	0.0 accuracy:	0.995 test_loss:	0.0 test_accuracy:	0.995
epoch:	13 loss:	0.0 accuracy:	0.995 test_loss:	0.0 test_accuracy:	0.995
epoch:	14 loss:	0.0 accuracy:	0.996 test_loss:	0.0 test_accuracy:	0.996
epoch:	15 loss:	0.0 accuracy:	0.996 test_loss:	0.0 test_accuracy:	0.996
epoch:	16 loss:	0.0 accuracy:	0.996 test_loss:	0.0 test_accuracy:	0.996
epoch:	17 loss:	0.0 accuracy:	0.997 test_loss:	0.0 test_accuracy:	0.997
epoch:	18 loss:	0.0 accuracy:	0.997 test_loss:	0.0 test_accuracy:	0.997
epoch:	19 loss:	0.0 accuracy:	0.997 test_loss:	0.0 test_accuracy:	0.997
沐雲小哥
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
深度学习入门必看-手写数字识别
Python，数据分析，机器学习，深度学习
11-15 1万+
前言 目前深度学习框架paddlepaddle、tensorflow、pytorch比较，结合网上大神的总结，pytorch更好学，社区也大，教程较多，莫名其妙的错误比较少。它基于动态图，可以按照正常人的思路玩，API较稳定。 paddlepaddle的话同时支持动态图和静态图，但是社区还在建设中，版本迭代更新快。不过可以嫖百度的云计算服务，值得一试。而且配套的预训练模型和可视化等等开发工具也在上线中，蛮好用的。 tensorflow是出了名新手劝退框架，因为文档比较反萌新，版本兼容性较差（我曾在嫉妒
深度学习PyTorch极简入门PDF教程1
08-03
【深度学习PyTorch极简入门PDF教程1】 深度学习是一种机器学习的分支，它主要依赖于多层的神经网络架构来实现复杂的学习任务。在深度学习中，这些多层的神经网络通过逐层处理输入数据，从底层的简单特征到高层的...
快速入门pyTorch，实现手写数字识别
C+=UI~(Nip)
03-29 1833
Pytorch Tensor 各种数值称为张量，例如常数0阶、向量1阶、矩阵2阶 张量创建方法 import torch import numpy as np # 原始类型 torch.Tensor([1,2,3]) tensor([1., 2., 3.]) # 数据转换 torch.Tensor(arr) tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 1
Pytorch实战：手写数字识别
weixin_46141961的博客
10-17 1365
Pytorch实战：手写数字识别 1、数据导入 #实战手写数字识别 #************************************************************导入包********************************************************************* import torch , torchvision #该句中torchvision可省略，torchvision可实现数据的处理、导入和预览等 imp
PyTorch使用教程-超详细PyTorch实现手写数字识别器
YXHPY BLOG
08-28 5175
超详细PyTorch实现手写数字识别器 前言 深度学习中有很多玩具数据，mnist就是其中一个，一个人能否入门深度学习往往就是以能否玩转mnist数据来判断的，在前面很多基础介绍后我们就可以来实现一个简单的手写数字识别的网络了 数据的处理 我们使用pytorch自带的包进行数据的预处理 import torch import torchvision import torchvision.transforms as transforms import numpy as np import matplotlib
用PyTorch实现MNIST手写数字识别(非常详细)
热门推荐
xfxuezhang.cn
04-30 15万+
hello大家好！我又来搬文章了！我就不信还有比这更详细的？！ MNIST可以说是机器学习入门的hello word了！导师一般第一个就让你研究MNIST，研究透了，也算基本入门了。好的，今天就来扯一扯学一学。 在本文中，我们将在PyTorch中构建一个简单的卷积神经网络，并使用MNIST数据集训练它识别手写数字。在MNIST数据集上训练分类器可以看作是......
PyTorch深度学习框架入门——使用PyTorch实现手写数字识别
IT派
05-09 1万+
本文你将会了解到1、如何使用PyTorch对数据集进行导入 2、如何使用PyTorch搭建一个简易的深度学习模型 3、如何优化和训练我们搭建好的模型 注：本案例使用的Py...
深度学习PyTorch极简入门PDF教程.pdf
01-15
深度学习PyTorch极简入门PDF教程，18章合为一个文件 第01课：深度学习概述 第02课：深度学习 Python 必备知识点 ... 第18课：项目实战——利用 PyTorch 构建 RNN 模型
【No561】深度学习PyTorch极简入门PDF教程.rar
02-29
《深度学习PyTorch极简入门》是一本旨在帮助初学者快速掌握PyTorch框架的教程。PyTorch，作为一款强大的开源机器学习库，以其灵活性、易用性和高效的计算性能，深受数据科学家和研究人员的喜爱。该教程通过简洁明了...
pytorch学习（八）——MNIST手写数字识别
11-08
上传时间：2020/11/08 最后测试：2020/11/08 内容：pytorch框架实现MNIST手写数字识别 其他：pytorch学习练习代码 相关介绍：https://blog.csdn.net/jerry_liufeng/article/details/109558962
手把手教你利用PyTorch实现图像识别
拇指笔记
03-08 1万+
手把手教你利用PyTorch识别Fashion-MNIST数据集中的图像
PyTorch1.0学习之 MNIST上用卷积神经网络(CNN)识别手写数字 + 卷积核、特征图变化情况的观察
地山谦的博客
04-18 6268
MNIST数据集介绍见上篇文章：在MNIST手写数字数据集上实现Logistic regression 逻辑回归 4.18更新：增加了对卷积核和特征图在训练过程中变化情况的观察。 # 包 import torch import torch.nn as nn import torch.nn.functional as F import torch.utils.data as Data # torc...
Pytorch中iter(dataloader)的使用
weixin_44533869的博客
12-08 2万+
dataloader本质上是一个可迭代对象，可以使用iter()进行访问，采用iter(dataloader)返回的是一个迭代器，然后可以使用next()访问。 也可以使用enumerate(dataloader)的形式访问。 下面举例说明： transformation = transforms.Compose([ transforms.ToTensor() ]) train_ds = datasets.MNIST("./data", train=True, transform=transfor
Pytorch极简入门（十八）——模型权重保存
weixin_44533869的博客
05-05 7678
模型权重保存 导入必要模型 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim import matplotlib.pyplot as plt import numpy as np import torchvision from torchvision import transforms from torch.utils.data import DataLoader i
Pytorch极简入门教程（十六）——预训练网络ResNet101微调
weixin_44533869的博客
05-06 4506
预训练网络ResNet101微调 导入必要模块 import torch import torch.nn as nn import torch.optim as optim import numpy as np import torch.nn.functional as F import matplotlib.pyplot as plt import torchvision from torchvision import transforms from torch.utils.data import Da
Pytorch极简入门教程（七）—— 划分训练集和测试集
weixin_44533869的博客
12-07 2383
# -*- coding: utf-8 -*- from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn data = pd.read_csv("dataset/HR.csv") print(
Pytorch极简入门教程（十二） —— 四种天气数据集的分类
weixin_44533869的博客
12-14 2274
import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim import numpy as np import matplotlib.pyplot as plt from torch.utils.data import DataLoader from torch.utils.data import TensorDataset import torchvision # python
pytorch极简入门教程
最新发布
07-27
PyTorch极简入门教程可以通过以下几个步骤进行： 1. 安装PyTorch：首先需要在计算机中安装PyTorch库。可以通过官方网站或者使用包管理工具（如pip或conda）进行安装。安装完成后，可以在Python环境中导入PyTorch库...

“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 2
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