位置: IT常识 - 正文

Pytorch:手把手教你搭建简单的卷积神经网络(CNN),实现MNIST数据集分类任务(pytorch教程)

编辑:rootadmin
Pytorch:手把手教你搭建简单的卷积神经网络(CNN),实现MNIST数据集分类任务 关于一些代码里的解释,可以看我上一篇发布的文章,里面有很详细的介绍!!!可以依次把下面的代码段合在一起运行,也可以通过jupyter notebook分次运行第一步:基本库的导入import numpy as npimport torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformsfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as pltimport timenp.random.seed(1234)第二步:引用MNIST数据集,这里采用的是torchvision自带的MNIST数据集#这里用的是torchvision已经封装好的MINST数据集trainset=torchvision.datasets.MNIST( root='MNIST', #root是下载MNIST数据集保存的路径,可以自行修改 train=True, transform=torchvision.transforms.ToTensor(), download=True)testset=torchvision.datasets.MNIST( root='MNIST', train=False, transform=torchvision.transforms.ToTensor(), download=True)trainloader = DataLoader(dataset=trainset, batch_size=100, shuffle=True) #DataLoader是一个很好地能够帮助整理数据集的类,可以用来分批次,打乱以及多线程等操作testloader = DataLoader(dataset=testset, batch_size=100, shuffle=True)

推荐整理分享Pytorch:手把手教你搭建简单的卷积神经网络(CNN),实现MNIST数据集分类任务(pytorch教程),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:pytorch官方教程,pytorch入门教程(非常详细),pytorch 60分钟教程,pytorch 入门教程,pytorch 快速入门,pytorch 60分钟教程,pytorch怎么入门,pytorch 60分钟教程,内容如对您有帮助,希望把文章链接给更多的朋友!

下载之后利用DataLoader实例化为适合遍历的训练集和测试集,我们把其中的某一批数据进行可视化,下面是可视化的代码,其实就是利用subplot画了子图。

#可视化某一批数据train_img,train_label=next(iter(trainloader)) #iter迭代器,可以用来便利trainloader里面每一个数据,这里只迭代一次来进行可视化fig, axes = plt.subplots(10, 10, figsize=(10, 10))axes_list = []#输入到网络的图像for i in range(axes.shape[0]): for j in range(axes.shape[1]): axes[i, j].imshow(train_img[i*10+j,0,:,:],cmap="gray") #这里画出来的就是我们想输入到网络里训练的图像,与之对应的标签用来进行最后分类结果损失函数的计算 axes[i, j].axis("off")#对应的标签print(train_label)

  第三步:用pytorch搭建简单的卷积神经网络(CNN)

 这里把卷积模块单独拿出来作为一个类,看上去会舒服一点。

#卷积模块,由卷积核和激活函数组成class conv_block(nn.Module): def __init__(self,ks,ch_in,ch_out): super(conv_block,self).__init__() self.conv = nn.Sequential( nn.Conv2d(ch_in, ch_out, kernel_size=ks,stride=1,padding=1,bias=True), #二维卷积核,用于提取局部的图像信息 nn.ReLU(inplace=True), #这里用ReLU作为激活函数 nn.Conv2d(ch_out, ch_out, kernel_size=ks,stride=1,padding=1,bias=True), nn.ReLU(inplace=True), ) def forward(self,x): return self.conv(x)

下面是CNN主体部分,由上面的卷积模块和全连接分类器组合而成。这里只用了简单的几个卷积块进行堆叠,没有采用池化以及dropout的操作。主要目的是给大家简单搭建一下以便学习。

#常规CNN模块(由几个卷积模块堆叠而成)class CNN(nn.Module): def __init__(self,kernel_size,in_ch,out_ch): super(CNN, self).__init__() feature_list = [16,32,64,128,256] #代表每一层网络的特征数,扩大特征空间有助于挖掘更多的局部信息 self.conv1 = conv_block(kernel_size,in_ch,feature_list[0]) self.conv2 = conv_block(kernel_size,feature_list[0],feature_list[1]) self.conv3 = conv_block(kernel_size,feature_list[1],feature_list[2]) self.conv4 = conv_block(kernel_size,feature_list[2],feature_list[3]) self.conv5 = conv_block(kernel_size,feature_list[3],feature_list[4]) self.fc = nn.Sequential( #全连接层主要用来进行分类,整合采集的局部信息以及全局信息 nn.Linear(feature_list[4] * 28 * 28, 1024), #此处28为MINST一张图片的维度 nn.ReLU(), nn.Linear(1024, 512), nn.ReLU(), nn.Linear(512, 10) ) def forward(self,x): device = x.device x1 = self.conv1(x ) x2 = self.conv2(x1) x3 = self.conv3(x2) x4 = self.conv4(x3) x5 = self.conv5(x4) x5 = x5.view(x5.size()[0], -1) #全连接层相当于做了矩阵乘法,所以这里需要将维度降维来实现矩阵的运算 out = self.fc(x5) return out第四步:训练以及模型保存

先是一些网络参数的定义,包括优化器,迭代轮数,学习率,运行硬件等等的确定。

#网络参数定义device = torch.device("cuda:4") #此处根据电脑配置进行选择,如果没有cuda就用cpu#device = torch.device("cpu")net = CNN(3,1,1).to(device = device,dtype = torch.float32)epochs = 50 #训练轮次optimizer = torch.optim.Adam(net.parameters(), lr=1e-4, weight_decay=1e-8) #使用Adam优化器criterion = nn.CrossEntropyLoss() #分类任务常用的交叉熵损失函数train_loss = []Pytorch:手把手教你搭建简单的卷积神经网络(CNN),实现MNIST数据集分类任务(pytorch教程)

然后是每一轮训练的主体:

# Begin trainingMinTrainLoss = 999for epoch in range(1,epochs+1): total_train_loss = [] net.train() start = time.time() for input_img,label in trainloader: input_img = input_img.to(device = device,dtype=torch.float32) #我们同样地,需要将我们取出来的训练集数据进行torch能够运算的格式转换 label = label.to(device = device,dtype=torch.float32) #输入和输出的格式都保持一致才能进行运算 optimizer.zero_grad() #每一次算loss前需要将之前的梯度清零,这样才不会影响后面的更新 pred_img = net(input_img) loss = criterion(pred_img,label.long()) loss.backward() optimizer.step() total_train_loss.append(loss.item()) train_loss.append(np.mean(total_train_loss)) #将一个minibatch里面的损失取平均作为这一轮的loss end = time.time() #打印当前的loss print("epochs[%3d/%3d] current loss: %.5f, time: %.3f"%(epoch,epochs,train_loss[-1],(end-start))) #打印每一轮训练的结果 if train_loss[-1]<MinTrainLoss: torch.save(net.state_dict(), "./model_min_train.pth") #保存loss最小的模型 MinTrainLoss = train_loss[-1]

以下是迭代过程:

 第五步:导入网络模型,输入某一批测试数据,查看结果

我们先来看某一批测试数据

#测试机某一批数据test_img,test_label=next(iter(testloader))fig, axes = plt.subplots(10, 10, figsize=(10, 10))axes_list = []#输入到网络的图像for i in range(axes.shape[0]): for j in range(axes.shape[1]): axes[i, j].imshow(test_img[i*10+j,0,:,:],cmap="gray") axes[i, j].axis("off")

然后将其输入到训练好的模型进行预测

#预测我拿出来的那一批数据进行展示cnn = CNN(3,1,1).to(device = device,dtype = torch.float32)cnn.load_state_dict(torch.load("./model_min_train.pth", map_location=device)) #导入我们之前已经训练好的模型cnn.eval() #评估模式test_img = test_img.to(device = device,dtype = torch.float32)test_label = test_label.to(device = device,dtype = torch.float32)pred_test = cnn(test_img) #记住,输出的结果是一个长度为10的tensortest_pred = np.argmax(pred_test.cpu().data.numpy(), axis=1) #所以我们需要对其进行最大值对应索引的处理,从而得到我们想要的预测结果#预测结果以及标签print("预测结果")print(test_pred)print("标签")print(test_label.cpu().data.numpy())

 

从预测的结果我们可以看到,整体上这么一个简单的CNN搭配全连接分类器对MNIST这一批数据分类的效果还不错。当然,我这里只用了交叉熵损失函数,并且没有计算准确率,仅供大家对于CNN学习和参考。

本文链接地址:https://www.jiuchutong.com/zhishi/300479.html 转载请保留说明!

上一篇:【GPT-3】第2章 使用 OpenAI API(gpt3 transformer)

下一篇:Java基础:笔试题(java基础笔试题在线考)

  • 格力空调怎么设置定时关闭(格力空调怎么设置制冷效果最好)

    格力空调怎么设置定时关闭(格力空调怎么设置制冷效果最好)

  • 微信如何授权抖音登录(微信如何授权抖音绑定微信)

    微信如何授权抖音登录(微信如何授权抖音绑定微信)

  • 如何从钉钉文件发送到QQ(如何从钉钉文件导出)

    如何从钉钉文件发送到QQ(如何从钉钉文件导出)

  • oppoa9左上角显示hd(oppo a72左上角是什么)

    oppoa9左上角显示hd(oppo a72左上角是什么)

  • iphone11夜间拍照怎么打开(iphone11夜间拍照模式为什么不清晰)

    iphone11夜间拍照怎么打开(iphone11夜间拍照模式为什么不清晰)

  • ios13.4.1可以降级了吗(13.4.1能降级吗)

    ios13.4.1可以降级了吗(13.4.1能降级吗)

  • 手机必须贴手机膜吗(手机到底需不需要贴屏保)

    手机必须贴手机膜吗(手机到底需不需要贴屏保)

  • 电话卡停机了还扣费吗(电话卡停机了还能补办吗)

    电话卡停机了还扣费吗(电话卡停机了还能补办吗)

  • 钉钉怎么撤回作业(钉钉怎么撤回作业文件)

    钉钉怎么撤回作业(钉钉怎么撤回作业文件)

  • 微信群里可以设置全员禁言吗(微信群里可以设置几个管理员)

    微信群里可以设置全员禁言吗(微信群里可以设置几个管理员)

  • 抖音怎么限制别人转载(抖音怎么限制别人关注自己)

    抖音怎么限制别人转载(抖音怎么限制别人关注自己)

  • ddr5什么时候上市(ddr5什么时候才能普及)

    ddr5什么时候上市(ddr5什么时候才能普及)

  • 华为手机密码忘了怎么解开(华为手机密码忘了怎么解锁)

    华为手机密码忘了怎么解开(华为手机密码忘了怎么解锁)

  • html怎么设置字体(html怎么设置字体垂直居中)

    html怎么设置字体(html怎么设置字体垂直居中)

  • 华为手机设置双卡上网(华为手机设置双系统设置)

    华为手机设置双卡上网(华为手机设置双系统设置)

  • 小米搜索框怎么关掉(小米搜索框怎么放到手机顶部)

    小米搜索框怎么关掉(小米搜索框怎么放到手机顶部)

  • 买家怎么取消差评(如何取消买家的订单)

    买家怎么取消差评(如何取消买家的订单)

  • 网页显示太大怎么修改(可以用马齿苋敷脸吗)

    网页显示太大怎么修改(可以用马齿苋敷脸吗)

  • 手机相机s是什么功能(拍照手机2023)

    手机相机s是什么功能(拍照手机2023)

  • 拼多多可以发视频吗(拼多多可以发视频给客户吗)

    拼多多可以发视频吗(拼多多可以发视频给客户吗)

  • 计算机clock是什么意思(计算机clock表示什么?)

    计算机clock是什么意思(计算机clock表示什么?)

  • qq名片怎么弄全屏(QQ名片怎么弄全黑)

    qq名片怎么弄全屏(QQ名片怎么弄全黑)

  • char是什么数据类型(char是什么数据类型数据库)

    char是什么数据类型(char是什么数据类型数据库)

  • DedeCMS V5.5 用户登陆横排的效果(dedecms使用教程)

    DedeCMS V5.5 用户登陆横排的效果(dedecms使用教程)

  • python日志记录器的配置(python 记录日志)

    python日志记录器的配置(python 记录日志)

  • 折旧费属于什么科目
  • 如何查询一个公司的资质情况
  • 缴纳社保的会计分录怎么做
  • 企业所得税工资薪金支出怎么填
  • 不随物品一起销售的包装物怎么做账?
  • 未入账的记账凭证有误处理方法
  • 没签合同怎么交社保
  • 补计提去年的增值税
  • 2018年个体工商户增值税起征点
  • 普通发票和增值税发票都能报销吗
  • 规范合同签订的重要性
  • 经营范围外的业务可以开发票吗
  • 去年的发票今年可以抵扣吗
  • Win10专业版家庭版企业版
  • 外购的形式
  • 出租的设备
  • 如何检查文档
  • 外商投资企业注册登记
  • linux下4种kill某个用户所有进程的方法
  • PHP:pg_lo_export()的用法_PostgreSQL函数
  • 确认的政府补助怎么入账
  • 已认证留抵待抵扣税额分录
  • php怎么添加背景图片
  • 高新技术企业取消资格怎么处罚
  • 块元素和行内元素区别
  • 房屋折旧方法有哪些
  • vscode搭建vue项目
  • redux入门教程
  • element表格表单
  • 收到进项税发票
  • 劳务派遣工资的发放单位
  • 完税证明可以去税务局补打吗
  • 短期借款的其它账户
  • 预付卡的增值税处理
  • 简易计税的增值税税率
  • 进项认证以后如何处理
  • 公对公打款发票
  • 总分类账的登记依据和方法取决于企业所采用的
  • 以固定资产换入库存商品
  • 废弃土地怎么认定
  • 其他业务支出可以在企业所得税前扣除吗
  • 代理赚差价违法吗
  • 旅游服务住宿费可以抵扣吗
  • 资产负债表中应付职工薪酬是负数
  • 余额调节表的模板
  • 影院会计有前景吗
  • 已认证未抵扣的进项税转出账务处理
  • 收到货款就必须付货款吗
  • 汇算清缴产生的企业所得税如何做账
  • 事业单位小规模纳税人咨询服务的税率
  • 对公账户有资金往来必须入账吗
  • 企业净资产怎么填
  • 违反会计法规定的行为有哪些
  • mysql数据库里面有一个表查的特别慢
  • Windows Server 2003环境更改Boot.ini文件
  • centos6.5dns配置
  • centos6.5双网卡绑定
  • centos7取消挂载硬盘
  • macos 怎么用
  • 电脑ie8浏览器
  • cocos2d android 游戏开发学习——CCAction(二)
  • javascript怎么学
  • xbox无法连接无线网络
  • win7 android studio
  • Node.js中的全局对象有
  • nodejs操作mysql
  • django settings.py
  • nodejs获取post数据
  • node js教程
  • [置顶]马粥街残酷史
  • scroll-view组件用于实现
  • python爬取新浪股票数据
  • python程序解读举例
  • 融资租赁利息是哪个科目
  • 申报税务登记日期怎么填
  • 出口退税正式申报资料上传
  • 企业年金个人缴纳的辞职能拿吗
  • 地税局多措并举工作总结
  • 发票红冲产生费用吗?
  • 深圳交警的微博
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设