python实现手写字识别_pytorch实现MNIST手写体识别
本文实例为大家分享了pytorch实现MNIST手写体识别的具体代码，供大家参考，具体内容如下
实验环境
pytorch 1.4
Windows 10
python 3.7
cuda 10.1(我笔记本上没有可以使用cuda的显卡)
实验过程
1. 确定我们要加载的库
import torch
import torch.nn as nn
import torchvision #这里面直接加载MNIST数据的方法
import torchvision.transforms as transforms # 将数据转为Tensor
import torch.optim as optim
import torch.utils.data.dataloader as dataloader
2. 加载数据
这里使用所有数据进行训练，再使用所有数据进行测试
train_set = torchvision.datasets.MNIST(
root='./data', # 文件存储位置
train=True,
transform=transforms.ToTensor(),
download=True
)
train_dataloader = dataloader.DataLoader(dataset=train_set,shuffle=False,batch_size=100)# dataset可以省
'''
dataloader返回(images,labels)
其中，
images维度：[batch_size,1,28,28]
labels：[batch_size]，即图片对应的
'''
test_set = torchvision.datasets.MNIST(
root='./data',
train=False,
transform=transforms.ToTensor(),
download=True
)
test_dataloader = dataloader.DataLoader(test_set,batch_size=100,shuffle=False) # dataset可以省
3. 定义神经网络模型
这里使用全神经网络作为模型
class NeuralNet(nn.Module):
def __init__(self,in_num,h_num,out_num):
super(NeuralNet,self).__init__()
self.ln1 = nn.Linear(in_num,h_num)
self.ln2 = nn.Linear(h_num,out_num)
self.relu = nn.ReLU()
def forward(self,x):
return self.ln2(self.relu(self.ln1(x)))
4. 模型训练
in_num = 784 # 输入维度
h_num = 500 # 隐藏层维度
out_num = 10 # 输出维度
epochs = 30 # 迭代次数
learning_rate = 0.001
USE_CUDA = torch.cuda.is_available() # 定义是否可以使用cuda
model = NeuralNet(in_num,h_num,out_num) # 初始化模型
optimizer = optim.Adam(model.parameters(),lr=learning_rate) # 使用Adam
loss_fn = nn.CrossEntropyLoss() # 损失函数
for e in range(epochs):
for i,data in enumerate(train_dataloader):
(images,labels) = data
images = images.reshape(-1,28*28) # [batch_size,784]
if USE_CUDA:
images = images.cuda() # 使用cuda
labels = labels.cuda() # 使用cuda
y_pred = model(images) # 预测
loss = loss_fn(y_pred,labels) # 计算损失
optimizer.zero_grad()
loss.backward()
optimizer.step()
n = e * i +1
if n % 100 == 0:
print(n,'loss:',loss.item())
训练模型的loss部分截图如下：
5. 测试模型
with torch.no_grad():
total = 0
correct = 0
for (images,labels) in test_dataloader:
images = images.reshape(-1,28*28)
if USE_CUDA:
images = images.cuda()
labels = labels.cuda()
result = model(images)
prediction = torch.max(result, 1)[1] # 这里需要有[1]，因为它返回了概率还有标签
total += labels.size(0)
correct += (prediction == labels).sum().item()
print("The accuracy of total {} images: {}%".format(total, 100 * correct/total))
实验结果
最终实验的正确率达到：98.22%
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。