Pytorch Note38 RNN 做图像分类

最新推荐文章于 2022-08-16 23:41:59 发布
最新推荐文章于 2022-08-16 23:41:59 发布
阅读量2.5k 收藏 5
点赞数 6
分类专栏： 🪐Pytorch学习 快乐星球 文章标签： python 可视化 人工智能 神经网络 RNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_45508265/article/details/119210533
版权

Pytorch Note38 RNN 做图像分类

文章目录


全部笔记的汇总贴： Pytorch Note 快乐星球

图片分类

RNN 特别适合做序列类型的数据，那么 RNN 能不能想 CNN 一样用来做图像分类呢？下面我们用 mnist 手写字体的例子来展示一下如何用 RNN 做图像分类，但是这种方法并不是主流，这里我们只是作为举例。

首先需要将图片数据转化为一个序列数据，MINST手写数字图片的大小是28x28，那么可以将每张图片看作是长为28的序列，序列中的每个元素的特征维度是28，这样就将图片变成了一个序列。同时考虑循环神经网络的记忆性，所以图片从左往右输入网络的时候，网络可以记忆住前面观察东西，然后与后面部分结合得到最后预测数字的输出结果，理论上是行得通的。

对于一张手写字体的图片，其大小是 28 * 28，我们可以将其看做是一个长为 28 的序列，每个序列的特征都是 28，也就是

请添加图片描述

这样我们解决了输入序列的问题࿰

了解本专栏 订阅专栏 解锁全文 超级会员免费看
风信子的猫Redamancy
关注
  • 6
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
订阅专栏
RNN模型在图像分类中的应用研究
禅与计算机程序设计艺术
07-09 3220
作者：禅与计算机程序设计艺术 RNN模型在图像分类中的应用研究 引言 1.1. 背景介绍 随着计算机技术的不断发展，计算机视觉
使用RNN神经网络的LSTM网络进行mnist的图像分类
繁华三千东流水不舍昼夜的博客
09-28 2752
- RNN神经网络多用于自然语言处理，但也可以用于简单的图像分类，这里做一个小小的尝试
caffe lstm训练mnist手写数字
阳光玻璃杯
09-20 1382
我们可以把深度学习能做的事情分为两类：时间无关的事情和时间相关的事情。时间无关的话，比如人脸识别，给神经网络一张照片，神经网络就能告诉你这是谁，这是和时间无关的。时间相关的话，比如，我要知道一段视频里的人实在吃饭还是在打哈欠，这个可能通过一张照片是无法判别的，但是通过多张连续的图片，构成一段视频，我们就可以判别这个人是在打哈欠还是在吃饭了。 可是，手写数字命名是一张张无时间关系的静态图片啊？我们怎...
RNN处理图片分类
qq571028495的博客
10-25 3817
目的：处理验证码 结构：多对一 数据：自己获取图片，制作数据集
从零开始深度学习0614——pytorch入门之RNN实现图像分类和回归预测
刚子的博客
06-16 3725
用RNN处理图像 如何将图像的处理理解为时间序列 可以理解为时间序顺序为从上到下 Mnist图像的处理 一个图像为28*28 pixel 时间顺序就是从上往下，从第一行到第28行 # Hyper Parameters EPOCH = 1 BATCH_SIZE = 64 TIME_STEP = 28 # rnn time step / image height 一共输入time_step次。 时序步长数 seq_len INPUT_SIZE = 28...
Pytorch 实现RNN分类.zip
01-22
在本项目中，我们将深入探讨如何使用PyTorch框架实现循环神经网络（RNN）进行文本分类。PyTorch是一个强大的深度学习库，它提供了一种灵活且直观的方式来构建和训练复杂的神经网络模型，包括RNN。循环神经网络是特别...
Pytorch实现基于CharRNN的文本分类与生成示例
09-18
今天小编就为大家分享一篇Pytorch实现基于CharRNN的文本分类与生成示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch 使用CNN图像分类的实现
09-16
主要介绍了Pytorch 使用CNN图像分类的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
用pytorch实现基于迁移学习的图像分类
03-26
用pytorch实现基于迁移学习的图像分类代码，并在猫狗数据集上进行训练和预测。 教程见 https://adrianna.blog.csdn.net/article/details/105126368 数据集下载地址：...
rnn-mnist分类源码
08-17
此代码为RNN基本网络结构代码，详情见https://blog.csdn.net/qq_37972530/article/details/81748887
图像分类案例1.md
02-23
现在，我们将运用在前面几节中学到的知识来参加Kaggle竞赛，该竞赛解决了CIFAR-10图像分类问题。比赛网址是https://www.kaggle.com/c/cifar-10
mnist_normal
12-11
使用RNN进行mnist的分类，使用的是一个3层的GRU作为模型
PyTorch 深度学习:38分钟快速入门——RNN 做图像分类
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
05-23 2159
RNN 特别适合做序列类型的数据，那么 RNN 能不能想 CNN 一样用来做图像分类呢？下面我们用 mnist 手写字体的例子来展示一下如何用 RNN 做图像分类，但是这种方法并不是主流，这里我们只是作为举例。RNN 做图像分类 import sys sys.path.append('..') import torch from torch.autograd import Variable from torch import nn from torch.utils.data import DataLo
深度学习笔记（2）——pytorch实现MNIST数据集分类（FNN、CNN、RNN、LSTM、GRU）
m0_46275020的博客
08-16 2603
快开学了，花了一个晚上时间复习深度学习基础代码，复习了最基础的MNIST手写数字识别数据集分类，使用FNN、CNN、RNN、LSTM、GRU实现。
Pytorch搭建CNN进行图像分类
MrBamboo2000的博客
04-20 1万+
PyTorch是一个开源的Python机器学习库，2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出。最近抽出时间来亲身实践一下用PyTorch搭建一个简单的卷积神经网络进行图像分类。 全流程主要分为数据读取与处理、训练和测试三个部分。
pytorch RNN实现分类
Lzj000lzj的博客
07-06 3932
数据加载(简单看) from __future__ import unicode_literals, print_function, division from io import open import glob import os import torch def findFiles(path): return glob.glob(path) #print(findFiles('data/n...
RNN LSTM 循环神经网络 (分类例子)
Gavinmiaoc的博客
03-17 4948
设置RNN的参数这次我们会使用 RNN 来进行分类的训练 (Classification). 会继续使用到手写数字 MNIST 数据集. 让 RNN 从每张图片的第一行像素读到最后一行, 然后再进行分类判断. 接下来我们导入 MNIST 数据并确定 RNN 的各种参数(hyper-parameters):import tensorflow as tf from tensorflow.example...
CNN提取图片特征，之后用SVM分类
热门推荐
qq_27756361的博客
05-28 5万+
先用CNN提取特征，之后用SVM分类，平台是TensorFlow 1.3.0-rc0，python3.6 参考链接点击打开链接# coding=utf8 import random import numpy as np import tensorflow as tf from sklearn import svm right0 = 0.0 # 记录预测为1且实际为1的结果数 error0 =...
pytorch版本的RNN做图像分类任务的代码
最新发布
05-26
RNN通常用于处理序列数据，例如文本和时间序列数据。但是，它们也可以用于图像分类任务，其中图像被视为一个序列。在这种情况下，RNN接收整个图像作为输入序列，并在每个时间步长上处理像素行或列。 下面是一个使用PyTorch实现RNN进行图像分类的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms # Define the RNN model class RNN(nn.Module): def __init__(self, input_size, hidden_size, num_layers, num_classes): super(RNN, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, num_classes) def forward(self, x): # Set initial hidden and cell states h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device) # Forward propagate RNN out, _ = self.rnn(x, h0) # Decode the hidden state of the last time step out = self.fc(out[:, -1, :]) return out # Device configuration device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # Hyper-parameters input_size = 28 hidden_size = 128 num_layers = 2 num_classes = 10 batch_size = 100 learning_rate = 0.01 num_epochs = 5 # MNIST dataset train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor()) # Data loader 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) # Initialize the RNN model model = RNN(input_size, hidden_size, num_layers, num_classes).to(device) # Loss and optimizer criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=learning_rate) # Train the model total_step = len(train_loader) for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): images = images.reshape(-1, input_size, input_size).to(device) labels = labels.to(device) # Forward pass outputs = model(images) loss = criterion(outputs, labels) # Backward and optimize optimizer.zero_grad() loss.backward() optimizer.step() if (i + 1) % 100 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}' .format(epoch + 1, num_epochs, i + 1, total_step, loss.item())) # Test the model with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: images = images.reshape(-1, input_size, input_size).to(device) labels = labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total)) ``` 在这个示例中，我们使用RNN来处理MNIST图像，并在最后一个时间步长上将隐藏状态传递到全连接层进行分类。我们使用交叉熵损失和Adam优化器进行训练，并在测试集上计算准确率。 请注意，这只是一个简单的示例，RNN在图像分类任务中通常不是最好的选择。更好的选择包括卷积神经网络和自注意力模型。

“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 5
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

打赏作者

风信子的猫Redamancy

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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