Pytorch如何实现手写数字mnist识别功能

这篇文章给大家分享的是有关Pytorch如何实现手写数字mnist识别功能的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。

本文实例讲述了Pytorch实现的手写数字mnist识别功能。分享给大家供大家参考，具体如下：

import torch import torchvision as tv import torchvision.transforms as transforms import torch.nn as nn import torch.optim as optim import argparse # 定义是否使用GPU device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 定义网络结构 class LeNet(nn.Module):   def __init__(self):     super(LeNet, self).__init__()     self.conv1 = nn.Sequential(   #input_size=(1*28*28)       nn.Conv2d(1, 6, 5, 1, 2), #padding=2保证输入输出尺寸相同       nn.ReLU(),   #input_size=(6*28*28)       nn.MaxPool2d(kernel_size=2, stride=2),#output_size=(6*14*14)     )     self.conv2 = nn.Sequential(       nn.Conv2d(6, 16, 5),       nn.ReLU(),   #input_size=(16*10*10)       nn.MaxPool2d(2, 2) #output_size=(16*5*5)     )     self.fc1 = nn.Sequential(       nn.Linear(16 * 5 * 5, 120),       nn.ReLU()     )     self.fc2 = nn.Sequential(       nn.Linear(120, 84),       nn.ReLU()     )     self.fc3 = nn.Linear(84, 10)   # 定义前向传播过程，输入为x   def forward(self, x):     x = self.conv1(x)     x = self.conv2(x)     # nn.Linear()的输入输出都是维度为一的值，所以要把多维度的tensor展平成一维     x = x.view(x.size()[0], -1)     x = self.fc1(x)     x = self.fc2(x)     x = self.fc3(x)     return x #使得我们能够手动输入命令行参数，就是让风格变得和Linux命令行差不多 parser = argparse.ArgumentParser() parser.add_argument('--outf', default='./model/', help='folder to output images and model checkpoints') #模型保存路径 parser.add_argument('--net', default='./model/net.pth', help="path to netG (to continue training)") #模型加载路径 opt = parser.parse_args() # 超参数设置 EPOCH = 8  #遍历数据集次数 BATCH_SIZE = 64   #批处理尺寸(batch_size) LR = 0.001    #学习率 # 定义数据预处理方式 transform = transforms.ToTensor() # 定义训练数据集 trainset = tv.datasets.MNIST(   root='./data/',   train=True,   download=True,   transform=transform) # 定义训练批处理数据 trainloader = torch.utils.data.DataLoader(   trainset,   batch_size=BATCH_SIZE,   shuffle=True,   ) # 定义测试数据集 testset = tv.datasets.MNIST(   root='./data/',   train=False,   download=True,   transform=transform) # 定义测试批处理数据 testloader = torch.utils.data.DataLoader(   testset,   batch_size=BATCH_SIZE,   shuffle=False,   ) # 定义损失函数loss function 和优化方式（采用SGD） net = LeNet().to(device) criterion = nn.CrossEntropyLoss() # 交叉熵损失函数，通常用于多分类问题上 optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9) # 训练 if __name__ == "__main__":   for epoch in range(EPOCH):     sum_loss = 0.0     # 数据读取     for i, data in enumerate(trainloader):       inputs, labels = data       inputs, labels = inputs.to(device), labels.to(device)       # 梯度清零       optimizer.zero_grad()       # forward + backward       outputs = net(inputs)       loss = criterion(outputs, labels)       loss.backward()       optimizer.step()       # 每训练100个batch打印一次平均loss       sum_loss += loss.item()       if i % 100 == 99:         print('[%d, %d] loss: %.03f'            % (epoch + 1, i + 1, sum_loss / 100))         sum_loss = 0.0     # 每跑完一次epoch测试一下准确率     with torch.no_grad():       correct = 0       total = 0       for data in testloader:         images, labels = data         images, labels = images.to(device), labels.to(device)         outputs = net(images)         # 取得分最高的那个类         _, predicted = torch.max(outputs.data, 1)         total += labels.size(0)         correct += (predicted == labels).sum()       print('第%d个epoch的识别准确率为：%d%%' % (epoch + 1, (100 * correct / total)))   #torch.save(net.state_dict(), '%s/net_%03d.pth' % (opt.outf, epoch + 1))

pytorch的优点

1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单

感谢各位的阅读！关于“Pytorch如何实现手写数字mnist识别功能”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！