Pytorch课程论文设计参考

Pytorch下基于卷积神经网络的手写数字识别

论文格式

利用wps初步美化论文格式教程

wps论文格式变的的原因

格式变的根本原因是word为流式文件，就算同是word同一个版本不同电脑也会有可能变，字体变是因为没有嵌入字体然后观看的那台没有这个字体。
一、流式文件是什么？
流式文件支持自由编辑，在浏览是按流式灌排的方式进行版面计算和绘制。流式文件一般包含元数据、式样、书签。超级链接、对象、节（最大的排版单元，不同页面式样的文档内容形成不同的分节）、段落、句及其他元素和属性。【1】这些内容按一定的层次结构进行描述，就形成了流式文档的格式。

Word文档就是一种典型的流式文件，我们可以在文档中进行内容的编辑、添加、删除等操作。正是由于可编辑的特性，流式文件会因为不同的阅读器版本、操作系统版本等环境因素导致文档展示的内容效果不一致，也就是俗称的“跑版”现象。

主要流式文件格式有Word、TXT，代表流式软件有永中Office、微软Office、WPS等。

主要应用场景：一些较为日常的场合，比如协同合作、日常撰写等

二、版式文件是什么？
版式文件就是指不可编辑的，也就是固定版式的文件。版式文档不会“跑版”，在任何设备上显示和打印效果是高度精确一致的。【2】文件中的文字元素内容、位置、样式等在生成文件的时候就已经固定好了，其他人是不好进行修改编辑的，只能在上面加一些注释、签名等信息，在不同软件、操作系统等环境中能保持高度的一致性。

主要版式文件格式有PDF、OFD，代表版式软件有永中版式办公软件(永中OFD)、福昕软件、数科网维、点聚信息等。

主要应用场景：一些较为严肃正式的场合，比如商务文档、电子公文、电子凭证、电子证照等

三、流式文件与版式文件的区别？
简单来说，流式文件在于「编辑」，版式文件在于「呈现」。

流式文件：所见即所得的编辑内容
流式文件以永中Office为例，在阅读与编辑的时候，都必须在系统中安装相应的Office软件。

版式文件：原版原式显示内容
版式文件独有的定版特性(格式不走样)，在任何的设备、系统、屏幕尺寸和分辨率上展示的效果完全一致性。

关于python课程论文设计

Pytorch下基于卷积神经网络的手写数字识别

PyTorch下基于CNN的手写数字识别及应用研究

Pytorch框架下基于卷积神经网络实现手写数字识别

数字手写识别系统

import torch
from torch import nn
from torch.nn import functional as F
from torch import optim
import torchvision
from matplotlib import pyplot as plt
from utils import plot_image, plot_curve, one_hot

batch_size = 512

# 步骤1. 加载数据集
train_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('mnist_data', train=True, download=True,
                               transform=torchvision.transforms.Compose([
                                   torchvision.transforms.ToTensor(),
                                   torchvision.transforms.Normalize(
                                       (0.1307,), (0.3081,))
                               ])),
    batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('mnist_data/', train=False, download=True,
                               transform=torchvision.transforms.Compose([
                                   torchvision.transforms.ToTensor(),
                                   torchvision.transforms.Normalize(
                                       (0.1307,), (0.3081,))
                               ])),
    batch_size=batch_size, shuffle=False)

x, y = next(iter(train_loader))
print(x.shape, y.shape, x.min(), x.max())
plot_image(x, y, 'image sample')

# 定义神经网络模型
class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()

        # xw+b
        self.fc1 = nn.Linear(28*28, 256)
        self.fc2 = nn.Linear(256, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        # x: [b, 1, 28, 28]
        # h1 = relu(xw1+b1)
        x = F.relu(self.fc1(x))
        # h2 = relu(h1w2+b2)
        x = F.relu(self.fc2(x))
        # h3 = h2w3+b3
        x = self.fc3(x)

        return x

net = Net()
# [w1, b1, w2, b2, w3, b3]
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)

train_loss = []

for epoch in range(3):

    for batch_idx, (x, y) in enumerate(train_loader):

        # x: [b, 1, 28, 28], y: [512]
        # [b, 1, 28, 28] => [b, 784]
        x = x.view(x.size(0), 28*28)
        # => [b, 10]
        out = net(x)
        # [b, 10]
        y_onehot = one_hot(y)
        # loss = mse(out, y_onehot)
        loss = F.mse_loss(out, y_onehot)

        optimizer.zero_grad()
        loss.backward()
        # w' = w - lr*grad
        optimizer.step()

        train_loss.append(loss.item())

        if batch_idx % 10==0:
            print(epoch, batch_idx, loss.item())

plot_curve(train_loss)
# 得到最优的[w1, b1, w2, b2, w3, b3]

total_correct = 0
for x,y in test_loader:
    x  = x.view(x.size(0), 28*28)
    out = net(x)
    # out: [b, 10] => pred: [b]
    pred = out.argmax(dim=1)
    correct = pred.eq(y).sum().float().item()
    total_correct += correct

total_num = len(test_loader.dataset)
acc = total_correct / total_num
print('test acc:', acc)

x, y = next(iter(test_loader))
out = net(x.view(x.size(0), 28*28))
pred = out.argmax(dim=1)
plot_image(x, pred, 'test')

配环境配了我大半条命😭