第一次学习计划（含用pytorch跑通mnist例子）

最新推荐文章于 2023-06-18 16:29:14 发布
最新推荐文章于 2023-06-18 16:29:14 发布
阅读量1.7k 收藏 3
点赞数 4
分类专栏： 研究生入学前期导师培训 文章标签： 学习 pytorch 人工智能
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_46288319/article/details/124562209
版权

1.上网查资料明确人工智能(AI)、机器学习、深度学习这三个概念，以及相互包含关系。
答：
（1） 概念：
人工智能：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
机器学习：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。
机器学习有下面几种定义：
A．机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
B．机器学习是对能通过经验自动改进的计算机算法的研究。
C．机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。
深度学习：深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。
（2） 关系：
机器学习是一种实现人工智能的方法。
深度学习是一种实现机器学习的技术。
在这里插入图片描述
2.了解图像卷积计算、CNN网络。
答：
（1）图像卷积计算：
深度学习所谓的卷积运算是互相关( cross-correlation )运算
       我们以二维数据为例(高 x 宽)，不考虑图像的通道个数，假设输入的高度为3、宽度为3的二维张量，卷积核的高度和宽度都是2，而卷积核窗口的形状由内核的高度和宽度决定：
在这里插入图片描述
二维的互相关运算。阴影部分是第一个输出元素，以及用于计算这个输出的输入和核张量元素： 0 x 0 + 1x1 + 3x2 +4x3 = 19。由此可见互相关运算就是一个乘积求和的过程。在二维互相关运算中，卷积窗口从输入张量的左上角开始，从左到右、从上到下滑动。这里我们设置步长为1，即每次跨越一个距离。当卷积窗口滑到新一个位置时，包含在该窗口中的部分张量与卷积核张量进行按元素相乘，得到的张量再求和得到一个单一的标量值，由此我们得到了这一位置的输出张量值。（张量（Tensor）是一个多维数组，它是标量、向量、矩阵的高维拓展）
对于卷积操作，我们有一个统一的计算公式。且学会相关的计算对于了解感受野和网络的搭建至关重要。学会相关的计算，我们在搭建自己的网络或者复现别人的网络，才能够确定好填充padding、步长stride以及卷积核kernel size的参数大小。一般这里有一个统一的公式：

在这里插入图片描述
（2）CNN网络:
CNN是一种人工神经网络，CNN的结构可以分为3层：
卷积层(Convolutional Layer) - 主要作用是提取特征。
池化层(Max Pooling Layer) - 主要作用是下采样(downsampling)，却不会损坏识别结果。
全连接层(Fully Connected Layer) - 主要作用是分类。
在这里插入图片描述
       我们可以拿人类来做类比，比如你现在看到上图中的小鸟，人类如何识别它就是鸟的呢？首先你判断鸟的嘴是尖的，全身有羽毛和翅膀，有尾巴。然后通过这些联系起来判断这是一只鸟。而CNN的原理也类似，通过卷积层来查找特征，然后通过全连接层来做分类判断这是一只鸟，而池化层则是为了让训练的参数更少，在保持采样不变的情况下，忽略掉一些信息。
3.以pytoech为主，了解目前主要的AI平台，如:tensorflow,paddle,mindspore…都是哪些公司的。
答：
pytorch：是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络编程。

Tensorflow：TensorFlow 最初是由 Google 机器智能研究部门的 Google Brain 团队开发，基于Google 2011年开发的深度学习基础架构DistBelief构建起来的 ，主要用于进行机器学习和深度神经网络研究。

Paddle：PaddlePaddle的前身是百度于2013年自主研发的深度学习平台Paddle。而现在，PaddlePaddle在深度学习框架方面，覆盖了搜索、图像识别、语音语义识别理解、情感分析、机器翻译、用户画像推荐等多领域的业务和技术。

Mindspore：华为公司推出的新一代深度学习框架，是源于全产业的最佳实践，最佳匹配昇腾处理器算力，支持终端、边缘、云全场景灵活部署。

MNN（阿里）：MNN是一个高效、轻量的深度学习框架。支持深度模型推理与训练，尤其在端侧的推理与训练性能在业界处于领先地位。目前应用覆盖直播、短视频、搜索推荐、商品图像搜索、互动营销、权益发动、安全风控等多个场景。

TNN（腾讯）：TNN由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。

MACE(小米)： Mobile AI Compute Engine是一个专为移动端异构计算平台优化的神经网络计算框架。

DELTA（滴滴）：DELTA是深度学习模型训练框架，旨在进一步降低开发者创建、部署自然语言处理系统和语言模型的难度。主要基于TensorFlow构建，同时支持NLP（自然语言处理）和语音任务及数值型特征的训练。

4.搭建pytorch环境，并跑通mnist例子。
参考资料1：
https://wjrsbu.smartapps.cn/zhihu/article?id=445381875&isShared=1&bdswankey=vivobrowser%3A%2F%2Fswan%2FoFx3nbdDN6GWF3Vb0Wh7EDBMBxRTTcfe%2Fzhihu%2Farticle%3Fid%3D445381875&oauthType=search&searchParams=%257B%2522failUrl%2522%253A%2522https%253A%252F%252Fzhuanlan.zhihu.com%252Fp%252F445381875%2522%252C%2522logParams%2522%253A%2522pu%253D%2524pu%2526baiduid%253D%2524baiduid%2526tcreq4log%253D1%2526isAtom%253D1%2526cyc%253D1%2526clk_info%253D%257B%255C%2522tplname%255C%2522%253A%255C%2522www_normal%255C%2522%252C%255C%2522srcid%255C%2522%253A1599%252C%255C%2522ivkStatus%255C%2522%253A%255C%2522new_ivk_success%255C%2522%252C%255C%2522type%255C%2522%253A%255C%2522xcx%255C%2522%252C%255C%2522naType%255C%2522%253A%255C%2522%255C%2522%252C%255C%2522ivkSource%255C%2522%253A%255C%2522h5_schema%255C%2522%252C%255C%2522jumpType%255C%2522%253A%255C%2522xcx%255C%2522%252C%255C%2522jumpId%255C%2522%253A110%252C%255C%2522xcx_path%255C%2522%253A%255C%2522https%2525253A%2525252F%2525252Fwjrsbu.smartapps.cn%2525252Fzhihu%2525252Farticle%2525253Fid%2525253D445381875%255C%2522%252C%255C%2522xcx_id%255C%2522%253A%255C%2522oFx3nbdDN6GWF3Vb0Wh7EDBMBxRTTcfe%255C%2522%252C%255C%2522xcx_from%255C%2522%253A%255C%25221081000810003000%255C%2522%257D%2526lid%253D7541697109161095945%2526l%253D1%2526t%253Diphone%2526ref%253Dwww_iphone%2526from%253D1020786s%2526order%253D4%2526w%253D0_10_pytorch%25E6%2589%258B%25E5%2586%2599%25E4%25BD%2593%25E8%25AF%2586%25E5%2588%25AB%2526tj%253Dwww_normal_4_0_10_l%2526src%253Dhttps%2525253A%2525252F%2525252Fzhuanlan.zhihu.com%2525252Fp%2525252F445381875%2522%257D&useTpl=1&_swebfr=1&_swebFromHost=vivobrowser
参考资料2：
https://blog.csdn.net/weixin_43485035/article/details/115693919?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22115693919%22%2C%22source%22%3A%22weixin_46288319%22%7D&ctrtid=mbpWn

答：
（1）搭建环境（搭建pytorch环境过程在我前面博客有）
在这里插入图片描述

（2）代码运行结果
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

兮教授～。
关注
  • 4
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Pytorch使用MNIST数据集实现基础GAN和DCGAN详解
09-18
今天小编就为大家分享一篇Pytorch使用MNIST数据集实现基础GAN和DCGAN详解，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实现mnist分类的示例讲解
09-18
在本篇教程中，我们将探讨如何使用PyTorch实现MNIST手写数字识别的分类任务。MNIST数据集是机器学习领域的一个经典基准，它包含了60000个训练样本和10000个测试样本，每个样本都是28x28像素的灰度手写数字图像。 ...
基于stm32f407的MNIST数字识别
yy1165634662的博客
02-04 4621
基于stm32f407的MNIST数字识别 本文是将数字识别模型应用到stm32的实例，利用X-CUBE-AI将模型导入单片机进行调试 开发环境 操作系统：Windows 模型训练：tensorflow2.1 cpu版 模型嵌入：STM32CubeMX 硬件平台 STM32F407ZGT6开发板 ov2640摄像头模块 具体资料可以在这里下载 link. 软件平台 采用Keil5环境进行单片机的编程调试 采用PyCharm环境进行模型编写 1、安装虚拟环境 打开anaconda，使用conda create
一周掌握PyTorch，学习计划
最新发布
争渡的博客
06-18 1457
一朝天子一朝臣！新的公司要求使用PyTorch，没招，整吧PyTorch使用动态计算图，而TensorFlow使用静态计算图。这意味着在PyTorch中，可以根据需要动态地构建计算图，并且可以更容易地进行调试和可视化。而在TensorFlow中，必须首先定义计算图，然后再将数据传递给该图进行计算。还有就是，PyTorch更加Pythonic，这意味着它更像Python语言本身，更加直观和易于使用。而TensorFlow则更加工程化，更适合大规模部署和生产环境。另外，PyTorch具有较好的。
pytorch学习笔记
贵在坚持
02-15 1492
pytorch学习笔记 文章目录pytorch学习笔记第一部分：pytorch入门1.1介绍pytorch1.2 安装1.3张量1.4自动求导机制1.5神经网络包nn和优化器optm1.6 数据的加载与预处理 第一部分：pytorch入门 1.1介绍pytorch PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebook的人工智能研究小组...
（系列更新完毕）深度学习零基础使用 PyTorch 框架跑 MNIST 数据集的第二天：加载 MNIST 数据集
qq_36627158的博客
08-24 519
1. Introduction 今天是尝试用 PyTorch 框架来跑 MNIST 手写数字数据集的第二天，主要学习加载 MNIST 数据集。本 blog 主要记录一个学习的路径以及学习资料的汇总。 注意：这是用 Python 2.7 版本写的代码 第一天：LeNet 网络的搭建 第二天：加载 MNIST 数据集 2. Code（lenet.py） 感谢凯神提供的代码与耐心指导！ code 3. Materials 1、Dataset 的抽象类官方...
（系列更新完毕）深度学习零基础使用 PyTorch 框架跑 MNIST 数据集的第四天：单例测试
qq_36627158的博客
08-23 333
1. Introduction 今天是尝试用 PyTorch 框架来跑 MNIST 手写数字数据集的第四天，主要学习导入模型并进行单例测试。本 blog 主要记录一个学习的路径以及学习资料的汇总。 注意：这是用 Python 2.7 版本写的代码 第一天：https://blog.csdn.net/qq_36627158/article/details/108098147 第二天： 第三天：https://blog.csdn.net/qq_36627158/article/details/1081
Pytorch【60天修炼计划】之第一阶段——入门
karry_zzj的博客
09-26 442
前言： 【之前学习深度学习过程中用到了简单的Pytorch框架，但是几乎是断断续续的学习，所以非常不熟悉它的使用，所以准备开启一个60天修炼Pytorch的计划，我相信只要天天练，天天写，天天看，之后一定会熟悉它甚至能够使用它产生大的突破。】 这篇文章是这次计划中的第一阶段——入门，使用的是官方的Pytorch指南：PyTorch Tutorials，我将一步步使用Jupyter notebook...
mnist.zip_MNIST pytorch_pytorch_pytorch mnist_pytorch network_zi
09-20
"MNIST pytorch"这部分表明我们将使用PyTorch，这是一个开源的深度学习框架，以其灵活性和效率而闻名。PyTorch提供了动态计算图的功能，使得构建和训练神经网络变得更加直观。 "pytorch network"指的是我们将构建一...
基于Pytorch实现MNIST手写数字数据集识别（源码+数据）.rar
05-06
1、资源内容：基于Pytorch实现MNIST手写数字数据集识别（源码+数据）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集...
用PyTorch实现MNIST手写数字识别对应源码文件
10-18
在本文中，我们将深入探讨如何使用PyTorch框架来实现MNIST手写数字识别任务。MNIST数据集是一个广泛使用的数据库，包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的手写数字图像。这个数据集对于...
【MM32F5270开发板试用】单片机也能玩神经网络-TinyMaix实测开源
weixin_47569031的博客
10-21 2201
本篇文章来自极术社区与灵动组织的MM32F5270开发板评测活动，更多开发板试用活动请关注极术社区网站。作者：甴尐
尚硅谷经典Java面试题（第1季）
a10534126的博客
04-12 965
尚硅谷经典Java面试题（第1季） 01_尚硅谷_JavaSE面试题：自增变量 03_尚硅谷_JavaSE面试题：类初始化和实例初始化等 04_尚硅谷_JavaSE面试题：方法的参数传递机制 05_尚硅谷_JavaSE面试题：递归与迭代 06_尚硅谷_JavaSE面试题：成员变量与局部变量 0XXX 01_尚硅谷_JavaSE面试题：自增变量 运行结果为i=4;j=1;k=11. 分析： 参考资料： ①Eclipse打开字节码指令：选择Text.class文件，点击Open With-&gt
动作识别(一)复现双流网络
QIANFANGshiwo的博客
08-03 2931
动作识别（一）——复现双流网络 本文的目的是为了与相同研究方向的读者进行交流和学习。这也是本人最近在动作识别领域复现的第一篇论文，所以以这样的方式记录下来。本人也坚信，不管做啥事情都要自己去努力，不然别人也帮不了自己。整篇文章的内容主要讲的是本人复现代码的记录，所以需要了解双流网络原理的朋友，去参考学习原论文（Two-Stream Convolutional Networks for Action Recognition in Videos），网上链接很多。 图1 用于视频分类的双流架构 一、本代码运行
PVNet位姿估计网络简单复现2022-5-21
qq_43631827的博客
05-21 2958
结果图 说明 本博客编写于2022年5月21日，复现时间是2022年5月20日，复现网络是PVNet。 环境 unbuntu18.04.6LTS cuda版本10.2 gcc版本7.5.0 python版本按照需要采用的是3.7 GPU：GTX1070 CPU：i7 其他配置和要求的应该一样了 所需资源下载 项目总地址：https://zju3dv.github.io/pvnet/ 论文：https://arxiv.org/pdf/1812.11788.pdf 代码：https://github.com/
Pytorch基础学习（修改，简化，速成）
weixin_53162487的博客
04-30 5079
pytorch 简要介绍
【进阶篇】全流程学习《20天掌握Pytorch实战》纪实 | Day01 | 结构化数据建模流程范例
车手只需要车和手，压力来自轮胎
04-06 3043
从今天开始不定期学习《20天掌握Pytorch实战》，有兴趣就跟着专栏一起吧~
keras查看网络结构,复现别人网络结构的时候要保持尺寸的一致,用可视化的图会比较便利
lujiandong1的专栏
02-07 3507
场景：在复现别人网络结构的时候,要保持网络结构的一致。每层输入的尺寸和输出的尺寸要一致。在排查复现的结构是否准确,可以通过可视化的办法。将定义好的网络结构的图可视化出来。       keras可以很方便将网络结构可视化出来。       from keras.utils.visualize_util import plot plot(model, to_file='model.png',sh
【pytorch】pytorch学习过程记录
Slow down, Keep learning and Enjoy life
04-17 590
pytorch学习： 构建网络模型的几种方法
用pytorch训练mnist
03-29
以下是使用PyTorch训练MNIST数据集的示例代码： 首先，导入必要的库： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms ``` 接下来，定义超参数和数据转换： ```python batch_size = 64 learning_rate = 0.01 num_epochs = 10 # 数据转换 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) ``` 然后，加载训练和测试集： ```python # 加载训练集和测试集 train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False) ``` 接着，定义一个简单的卷积神经网络模型： ```python class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 10, kernel_size=5) self.pool1 = nn.MaxPool2d(2) self.conv2 = nn.Conv2d(10, 20, kernel_size=5) self.pool2 = nn.MaxPool2d(2) self.fc1 = nn.Linear(320, 50) self.fc2 = nn.Linear(50, 10) def forward(self, x): x = self.pool1(torch.relu(self.conv1(x))) x = self.pool2(torch.relu(self.conv2(x))) x = x.view(-1, 320) x = torch.relu(self.fc1(x)) x = self.fc2(x) return torch.log_softmax(x, dim=1) model = Net() ``` 然后，定义损失函数和优化器： ```python criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) ``` 最后，进行模型训练和测试： ```python for epoch in range(num_epochs): for batch_idx, (data, target) in enumerate(train_loader): optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() if batch_idx % 100 == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader), loss.item())) test_loss = 0 correct = 0 with torch.no_grad(): for data, target in test_loader: output = model(data) test_loss += criterion(output, target).item() pred = output.argmax(dim=1, keepdim=True) correct += pred.eq(target.view_as(pred)).sum().item() test_loss /= len(test_loader.dataset) acc = 100. * correct / len(test_loader.dataset) print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format( test_loss, correct, len(test_loader.dataset), acc)) ``` 以上就是使用PyTorch训练MNIST数据集的完整代码。

“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 1
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