pytorch实现简单卷积神经网络（CNN）网络完成手写数字识别
首先你需要安装torch，torchvision，然后使用torchvision来下载mnist数据集，如果下载数据集有什么问题，请查看PyTorch用最简单的多层感知机（深度神经网络）实现手写数字识别 和 使用torchvision下载外网数据集mnist没有进度的解决方案
本文假设你对CNN基本原理有一定的了解。
我首先建立了一个tools工具类，这样主模块的代码可以少一些了。我把它命名成tools.py：
import torch
import torchvision
from torch.utils.data import DataLoader
def get_trans():
trans = torchvision.transforms.Compose(
[
torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize( [0.5], [0.5] )
]
)
return trans
DOWNLOAD_MNIST=False
train_data = torchvision.datasets.MNIST( root="./mnist",
train=True,
transform=get_trans(),
download=DOWNLOAD_MNIST
)
test_data = torchvision.datasets.MNIST( root="./mnist", train=False,
transform=get_trans(), download=DOWNLOAD_MNIST
)
def get_trainLoader(BATCH_SIZE):
train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True)
return train_loader
def get_testLoader(BATCH_SIZE):
test_loader = DataLoader(test_data, batch_size=BATCH_SIZE, shuffle=False)
return test_loader
def get_cuda_available():
available=torch.cuda.is_available()
return available
def get_test_data_len():
return len(test_data)
然后是主模块，首先引入必要的模块：
import torch.nn as nn
import torch
import time
import tools
搭建CNN网络：
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1=nn.Sequential(
nn.Conv2d(
in_channels=1,
out_channels=16,
kernel_size=5,
stride=1,
padding=2
),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2)
)
self.conv2=nn.Sequential(
nn.Conv2d(16,32,5,1,2),
nn.ReLU(),
nn.MaxPool2d(2)
)
self.out=nn.Linear(32*7*7,10)
def forward(self,x):
x = self.conv1( x )
x = self.conv2( x )
x=x.view(x.size(0),-1)
output=self.out(x)
return output
输出CNN的结构如下：
CNN(
(conv1): Sequential(
(0): Conv2d(1, 16, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(1): ReLU()
(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(conv2): Sequential(
(0): Conv2d(16, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(1): ReLU()
(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(out): Linear(in_features=1568, out_features=10, bias=True)
)
定义常量：
EPOCH=50
BATCH_SIZE=20
LR=0.03
DOWNLOAD_MNIST=False
定义损失函数和优化器、加载数据、更改网络到gpu上运行（如果GPU可用的话）：
cnn=CNN()
cuda_available=tools.get_cuda_available()
if cuda_available==True:
cnn.cuda()
optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)
loss_function=nn.CrossEntropyLoss()
train_loader=tools.get_trainLoader(BATCH_SIZE)
test_loader=tools.get_testLoader(BATCH_SIZE*10)
最后是训练和测试：
for ep in range(EPOCH):
startTick = time.clock()
for data in train_loader:
img, label = data
if cuda_available:
img = img.cuda()
label = label.cuda()
out = cnn( img )
loss = loss_function( out, label )
optimizer.zero_grad()
loss.backward()
optimizer.step()
num_correct = 0
for data in test_loader:
img, label = data
if cuda_available:
img = img.cuda()
label = label.cuda()
out = cnn( img )
_, prediction = torch.max( out, 1 )
num_correct += (prediction == label).sum()
accuracy = num_correct.cpu().numpy() / tools.get_test_data_len()
timeSpan = time.clock() - startTick
print( "第%d迭代期，准确率为%f,耗时%dS" % (ep + 1, accuracy, timeSpan) )
整个模块的代码：
import torch.nn as nn
import torch
import time
import tools
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1=nn.Sequential(
nn.Conv2d( #(1,28,28)
in_channels=1,
out_channels=16,
kernel_size=5,
stride=1,
padding=2 #padding=(kernelsize-stride)/2
),#(16,28,28)
nn.ReLU(),
nn.MaxPool2d(kernel_size=2)#(16,14,14)
)
self.conv2=nn.Sequential(#(16,14,14)
nn.Conv2d(16,32,5,1,2),#(32,14,14)
nn.ReLU(),#(32,14,14)
nn.MaxPool2d(2)#(32,7,7)
)
self.out=nn.Linear(32*7*7,10)
def forward(self,x):
x = self.conv1( x )
x = self.conv2( x ) #(batch,32,7,7)
x=x.view(x.size(0),-1) #(batch,32*7*7)
output=self.out(x)
return output
print("start")
EPOCH=50#总的训练次数
BATCH_SIZE=20#批次的大小
LR=0.03#学习率#交叉熵损失函数不需要太大的学习率
DOWNLOAD_MNIST=False#运行代码的时候是否下载数据集
cnn=CNN()
cuda_available=tools.get_cuda_available()
if cuda_available==True:
cnn.cuda()
optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)
loss_function=nn.CrossEntropyLoss()
train_loader=tools.get_trainLoader(BATCH_SIZE)
test_loader=tools.get_testLoader(BATCH_SIZE*10)
#训练过程
for ep in range(EPOCH):
# 记录把所有数据集训练+测试一遍需要多长时间
startTick = time.clock()
for data in train_loader: # 对于训练集的每一个batch
img, label = data
if cuda_available:
img = img.cuda()
label = label.cuda()
out = cnn( img ) # 送进网络进行输出
loss = loss_function( out, label ) # 获得损失
optimizer.zero_grad() # 梯度归零
loss.backward() # 反向传播获得梯度，但是参数还没有更新
optimizer.step() # 更新梯度
num_correct = 0 # 正确分类的个数，在测试集中测试准确率
for data in test_loader:
img, label = data
if cuda_available:
img = img.cuda()
label = label.cuda()
out = cnn( img ) # 获得输出
_, prediction = torch.max( out, 1 )
# torch.max()返回两个结果，
# 第一个是最大值，第二个是对应的索引值；
# 第二个参数 0 代表按列取最大值并返回对应的行索引值，1 代表按行取最大值并返回对应的列索引值。
num_correct += (prediction == label).sum() # 找出预测和真实值相同的数量，也就是以预测正确的数量
accuracy = num_correct.cpu().numpy() / tools.get_test_data_len() # 计算正确率，num_correct是gpu上的变量，先转换成cpu变量
timeSpan = time.clock() - startTick
print( "第%d迭代期，准确率为%f,耗时%dS" % (ep + 1, accuracy, timeSpan) )
相关知识
CNN卷积神经网络：花卉分类
深度学习机器学习卷积神经网络的花卉识别花种类识别
卷积神经网络的算法范文
基于python编程的五种鲜花识别
colab cnn实现花卉图片分类识别
深度学习之基于Tensorflow卷积神经网络花卉识别系统
看图识花的算法，如何识别植物？
基于深度卷积神经网络的移动端花卉识别系统
卷积神经网络训练花卉识别分类器
应用卷积神经网络识别花卉及其病症
网址: pytorch实现简单卷积神经网络（CNN）网络完成手写数字识别 https://m.huajiangbk.com/newsview112550.html
| 上一篇: 摆花花卉汇总（18页） |
下一篇: 空气能热泵绽放节能环保之花 成花 |
