PyTorch怎么实现MNIST数据集手写数字识别

这篇文章主要介绍“PyTorch怎么实现MNIST数据集手写数字识别”，在日常操作中，相信很多人在PyTorch怎么实现MNIST数据集手写数字识别问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”PyTorch怎么实现MNIST数据集手写数字识别”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

一、PyTorch是什么？

PyTorch 是一个 Torch7 团队开源的 Python 优先的深度学习框架，提供两个高级功能：

• 强大的 GPU 加速 Tensor 计算（类似 numpy）

• 构建基于 tape 的自动升级系统上的深度神经网络

你可以重用你喜欢的 python 包，如 numpy、scipy 和 Cython ，在需要时扩展 PyTorch。

二、程序示例

下面案例可供运行参考

1.引入必要库

import torchvision import torch from torch.utils.data import DataLoader import torch.nn.functional as F

2.下载数据集

这里设置download=True，将会自动下载数据集，并存储在./data文件夹。

train_data = torchvision.datasets.MNIST(root="./data",train=True,transform=torchvision.transforms.ToTensor(),download=True) test_data = torchvision.datasets.MNIST(root="./data",train=False,transform=torchvision.transforms.ToTensor(),download=True)

3.加载数据集

batch_size=32表示每一个batch中包含32张手写数字图片，shuffle=True表示打乱测试集（data和target仍一一对应）

train_loader = DataLoader(train_data,batch_size=32,shuffle=True) test_loader = DataLoader(test_data,batch_size=32,shuffle=False)

4.搭建CNN模型并实例化

class Net(torch.nn.Module):     def __init__(self):         super(Net,self).__init__()         self.con1 = torch.nn.Conv2d(1,10,kernel_size=5)         self.con2 = torch.nn.Conv2d(10,20,kernel_size=5)         self.pooling = torch.nn.MaxPool2d(2)         self.fc = torch.nn.Linear(320,10)     def forward(self,x):         batch_size = x.size(0)         x = F.relu(self.pooling(self.con1(x)))         x = F.relu(self.pooling(self.con2(x)))         x = x.view(batch_size,-1)         x = self.fc(x)         return x #模型实例化         model = Net()

5.交叉熵损失函数损失函数及SGD算法优化器

lossfun = torch.nn.CrossEntropyLoss() opt = torch.optim.SGD(model.parameters(),lr=0.01,momentum=0.5)

6.训练函数

def train(epoch):     running_loss = 0.0     for i,(inputs,targets) in enumerate(train_loader,0):         # inputs,targets = inputs.to(device),targets.to(device)         opt.zero_grad()         outputs = model(inputs)         loss = lossfun(outputs,targets)         loss.backward()         opt.step()         running_loss += loss.item()         if i % 300 == 299:             print('[%d，%d] loss:%.3f' % (epoch+1,i+1,running_loss/300))             running_loss = 0.0

7.测试函数

def test():     total = 0     correct = 0     with torch.no_grad():         for (inputs,targets) in test_loader:             # inputs, targets = inputs.to(device), targets.to(device)             outputs = model(inputs)             _,predicted = torch.max(outputs.data,dim=1)             total += targets.size(0)             correct += (predicted == targets).sum().item()     print(100*correct/total)

8.运行

if __name__ == '__main__':     for epoch in range(20):         train(epoch)         test()

到此，关于“PyTorch怎么实现MNIST数据集手写数字识别”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！