P1实现mnist手写数字识别
实现mnist手写数字识别
本文为365天深度学习训练营 中的学习记录博客\n 参考文章：[365天深度学习训练营-第P1周：实现mnist手写数字识别](Pytorch实战 | 第P1周：实现mnist手写数字识别 (qq.com))
1.设置CPU
2.导入数据
这里使用的是Pytorch自带的数据库torchvision.datasets,使用MNIST数据集
参数详解:
root ( string ) – 数据集所在的根目录 。
train ( bool , optional ) – 如果为真，则创建训练集，否则创建测试集。 download ( bool , optional ) – 如果为 True，则从 Internet 下载数据集并将其放在根目录中。如果数据集已经下载，则不会再次下载。
transform ( callable , optional ) – 一个函数/转换，它接收 PIL 图像并返回转换后的版本。例如，transforms.RandomCrop
target_transform ( callable , optional ) – 接收目标并对其进行转换的函数/转换。
构建简单的卷积神经网络
3.训练集测试
测试结果
训练过程
训练过程
[1, 300]: loss: 0.768 , acc: 77.54 %
[1, 600]: loss: 0.244 , acc: 92.64 %
[1, 900]: loss: 0.162 , acc: 94.84 %
[1 / 10]: Accuracy on test set: 95.9 %
[2, 300]: loss: 0.128 , acc: 96.00 %
[2, 600]: loss: 0.117 , acc: 96.41 %
[2, 900]: loss: 0.102 , acc: 96.93 %
[2 / 10]: Accuracy on test set: 97.3 %
[3, 300]: loss: 0.091 , acc: 97.14 %
[3, 600]: loss: 0.084 , acc: 97.45 %
[3, 900]: loss: 0.081 , acc: 97.60 %
[3 / 10]: Accuracy on test set: 97.8 %
[4, 300]: loss: 0.076 , acc: 97.77 %
[4, 600]: loss: 0.069 , acc: 97.70 %
[4, 900]: loss: 0.068 , acc: 97.98 %
[4 / 10]: Accuracy on test set: 98.1 %
[5, 300]: loss: 0.063 , acc: 98.15 %
[5, 600]: loss: 0.062 , acc: 98.00 %
[5, 900]: loss: 0.062 , acc: 97.95 %
[5 / 10]: Accuracy on test set: 98.5 %
[6, 300]: loss: 0.054 , acc: 98.34 %
[6, 600]: loss: 0.055 , acc: 98.33 %
[6, 900]: loss: 0.056 , acc: 98.31 %
[6 / 10]: Accuracy on test set: 98.4 %
[7, 300]: loss: 0.052 , acc: 98.41 %
[7, 600]: loss: 0.051 , acc: 98.35 %
[7, 900]: loss: 0.048 , acc: 98.48 %
[7 / 10]: Accuracy on test set: 98.4 %
[8, 300]: loss: 0.045 , acc: 98.56 %
[8, 600]: loss: 0.053 , acc: 98.41 %
[8, 900]: loss: 0.042 , acc: 98.56 %
[8 / 10]: Accuracy on test set: 98.5 %
[9, 300]: loss: 0.038 , acc: 98.77 %
[9, 600]: loss: 0.045 , acc: 98.64 %
[9, 900]: loss: 0.043 , acc: 98.64 %
[9 / 10]: Accuracy on test set: 98.6 %
[10, 300]: loss: 0.040 , acc: 98.77 %
[10, 600]: loss: 0.038 , acc: 98.72 %
[10, 900]: loss: 0.041 , acc: 98.72 %
[10 / 10]: Accuracy on test set: 98.7 %
训练结果可视化
