基于pytorch实现⼿写数字识别（附python代码）
/1加载图⽚：加载数据集，没有的话会⾃动下载，数据分布在0附近，并打散。
训练集：测试集=6k:1k。
utils.py⽂件：plot_image()绘制loss下降曲线； plot_curve()显⽰图⽚通过plot_image()可视化结果。minst_train.py⽂件：读取Minst 数据集
/2 加载模型：三层线性模型，前两层⽤ReLU函数，batch_size=512，⼀张图⽚28*28，Normalize将数据均匀分布。
/3 训练：学习率0.01，momentum = 0.9，loss定义，梯度清零、计算、更新，每10次显⽰loss，可以看到loss下降：
/4 测试
计算正确率并显⽰梯度下降：
遇到的问题：pytorch中优化器获得的是空参数表
ValueError:optimizer got an empty parameter list
解决：初始函数定义未正确，两个下划线
def __init__(self):
super(Net, self).__init__()
win10+anaconda3+python3.7，安装tensorflow、pytorch、opencv、CUDA10.2
mnist_train.py
# -*- coding: utf-8 -*-
"""
"""
Created on Tue Jan 14 15:10:20 2020
@author: ZM
"""
import torch
from torch import nn
import functional as F
from torch import optim
import torchvision
from matplotlib import pyplot as plt
from utils import plot_image, plot_curve, one_hot
batch_size=512
#step1:load dataset
#加载数据集，没有的话会⾃动下载，数据分布在0附近，并打散
train_loader=torch.utils.data.DataLoader(
torchvision.datasets.MNIST('mnist_data',train=True,download=True,                              ansforms.Compose([
(0.1307,),(0.3081,))
])),
batch_size=batch_size,shuffle=True)
test_loader=torch.utils.data.DataLoader(
torchvision.datasets.MNIST('mnist_data/',train=False,download=True,                              ansforms.Compose([
(0.1307,),(0.3081,))
])),
batch_size=batch_size,shuffle=False)
#显⽰：batch_size=512，⼀张图⽚28*28,Normalize将数据均匀
x, y = next(iter(train_loader))
print(x.shape,y.shape,x.min(),x.max())
plot_image(x, y, 'image sample')
#建⽴模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
#wx+b
self.fc1 = nn.Linear(28*28, 256)
self.fc2 = nn.Linear(256, 64)
self.fc3 = nn.Linear(64,10)
def forward(self, x):
#x:[b,1,28,28]
#h1=relu(w1x+b1)
x = F.relu(self.fc1(x))
#h2=relu(h1w2+b2)
x = F.relu(self.fc2(x))
#h3=h2w3+b3
x = self.fc3(x)
return x
#        return F.log_softmax(x, dim=1)
#训练
net = Net()#初始化
#返回[w1,b1,w2,b2,w3,b3]
python怎么读取py文件#返回[w1,b1,w2,b2,w3,b3]
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum = 0.9) train_loss = []
for epoch in range(3):
for batch_idx, (x,y) in enumerate(train_loader):
#        x[b,1,28,28] y:[512]
#        print(x.shape,y.shape)
#        break
#        x, y = Variable(x), Variable(y)
#[b,1,28,28]=>[b,784]实际图⽚4维打平为⼆维
x = x.view(x.size(0), 28*28)
#[b,10]
out = net(x)
#[b,10]
y_onehot = one_hot(y)
#loss=mse(out,y_onehot)
loss = F.mse_loss(out, y_onehot)
<_grad()
loss.backward()
#w'=w-li*grad
optimizer.step()
#测试
train_loss.append(loss.item())
if batch_idx % 10==0:
print(epoch, batch_idx, loss.item())
plot_curve(train_loss)
#达到较好的[w1,b1,w2,b2,w3,b3]
total_correct=0
for x,y in test_loader:
x = x.view(x.size(0),28*28)
#out:[b,10] => pred:[b]
out = net(x)
pred = out.argmax(dim = 1)
correct = pred.eq(y).sum().float().item()
total_correct += correct
total_num = len(test_loader.dataset)
acc = total_correct / total_num
print('test acc:', acc)
x,y = next(iter(test_loader))
out = net(x.view(x.size(0),28*28))
pred = out.argmax(dim = 1)
plot_image(x, pred, 'test')
utils.py
# -*- coding: utf-8 -*-
"""
Created on Tue Jan 14 16:37:46 2020
@author: ZM
"""
import torch
from matplotlib import pyplot as plt
def plot_curve(data):
fig = plt.figure()
plt.plot(range(len(data)), data, color='blue')
plt.legend(['value'], loc='upper right')
plt.xlabel('step')
plt.ylabel('value')
plt.show()
def plot_image(img, label, name):
fig = plt.figure()
for i in range(6):
plt.subplot(2, 3, i+1)
plt.tight_layout()
plt.imshow(img[i][0]*0.3081+0.1307, cmap='gray', interpolation='none')        plt.title("{}: {}".format(name, label[i].item()))
plt.show()
def one_hot(label, depth=10):
out = s(label.size(0), depth)
idx = torch.LongTensor(label).view(-1,1)
out.scatter_(dim=1, index=idx, value=1)
return out

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。