快捷導(dǎo)航

Python實(shí)戰(zhàn)小項(xiàng)目之Mnist手寫數(shù)字識(shí)別

更新時(shí)間：2021年10月20日 15:01:10 作者：GSAU-深藍(lán)工作室

MNIST 數(shù)據(jù)集已經(jīng)是一個(gè)被”嚼爛”了的數(shù)據(jù)集, 很多教程都會(huì)對(duì)它”下手”, 幾乎成為一個(gè) “典范”. 不過(guò)有些人可能對(duì)它還不是很了解, 下面通過(guò)一個(gè)小實(shí)例來(lái)帶你了解它

程序流程分析圖：

傳播過(guò)程：

代碼展示：

創(chuàng)建環(huán)境

使用<pip install+包名>來(lái)下載torch，torchvision包

準(zhǔn)備數(shù)據(jù)集

設(shè)置一次訓(xùn)練所選取的樣本數(shù)Batch_Sized的值為512，訓(xùn)練此時(shí)Epochs的值為8

BATCH_SIZE = 512
EPOCHS = 8
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

下載數(shù)據(jù)集

Normalize()數(shù)字歸一化，轉(zhuǎn)換使用的值0.1307和0.3081是MNIST數(shù)據(jù)集的全局平均值和標(biāo)準(zhǔn)偏差，這里我們將它們作為給定值。model

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('data', train=True, download=True,
                   transform=transforms.Compose([.
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=BATCH_SIZE, shuffle=True)

下載測(cè)試集

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

繪制圖像

我們可以使用matplotlib來(lái)繪制其中的一些圖像

examples = enumerate(test_loader)
batch_idx, (example_data, example_targets) = next(examples)
print(example_targets)
print(example_data.shape)
print(example_data)
 
import matplotlib.pyplot as plt
fig = plt.figure()
for i in range(6):
  plt.subplot(2,3,i+1)
  plt.tight_layout()
  plt.imshow(example_data[i][0], cmap='gray', interpolation='none')
  plt.title("Ground Truth: {}".format(example_targets[i]))
  plt.xticks([])
  plt.yticks([])
plt.show()

搭建神經(jīng)網(wǎng)絡(luò)

這里我們構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)，我們使用三個(gè)全連接(或線性)層進(jìn)行前向傳播。

class linearNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)
    def forward(self, x):
        x = x.view(-1, 784)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        x = F.relu(x)
        x = self.fc3(x)
        x = F.log_softmax(x, dim=1)
        return x

訓(xùn)練模型

首先，我們需要使用optimizer.zero_grad()手動(dòng)將梯度設(shè)置為零，因?yàn)镻yTorch在默認(rèn)情況下會(huì)累積梯度。然后，我們生成網(wǎng)絡(luò)的輸出(前向傳遞)，并計(jì)算輸出與真值標(biāo)簽之間的負(fù)對(duì)數(shù)概率損失?，F(xiàn)在，我們收集一組新的梯度，并使用optimizer.step()將其傳播回每個(gè)網(wǎng)絡(luò)參數(shù)。

def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
 
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if (batch_idx) % 30 == 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()))

測(cè)試模型

def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += F.nll_loss(output, target, reduction='sum').item() # 將一批的損失相加
            pred = output.max(1, keepdim=True)[1] # 找到概率最大的下標(biāo)
            correct += pred.eq(target.view_as(pred)).sum().item()
 
    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

將訓(xùn)練次數(shù)進(jìn)行循環(huán)

if __name__ == '__main__':
    model = linearNet()
    optimizer = optim.Adam(model.parameters())
 
    for epoch in range(1, EPOCHS + 1):
        train(model, device, train_loader, optimizer, epoch)
        test(model, device, test_loader)

保存訓(xùn)練模型

torch.save(model, 'MNIST.pth')

運(yùn)行結(jié)果展示：

分享人：蘇云云

到此這篇關(guān)于Python實(shí)戰(zhàn)小項(xiàng)目之Mnist手寫數(shù)字識(shí)別的文章就介紹到這了,更多相關(guān)Python Mnist手寫數(shù)字識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: