本文實例為大家分享了pytorch實現(xiàn)MNIST手寫體識別的具體代碼，供大家參考，具體內(nèi)容如下

實驗環(huán)境

pytorch 1.4

Windows 10

python 3.7

cuda 10.1(我筆記本上沒有可以使用cuda的顯卡)

實驗過程

1. 確定我們要加載的庫

import torch

import torch.nn as nn

import torchvision #這里面直接加載MNIST數(shù)據(jù)的方法

import torchvision.transforms as transforms # 將數(shù)據(jù)轉(zhuǎn)為Tensor

import torch.optim as optim

import torch.utils.data.dataloader as dataloader

2. 加載數(shù)據(jù)

這里使用所有數(shù)據(jù)進(jìn)行訓(xùn)練，再使用所有數(shù)據(jù)進(jìn)行測試

train_set = torchvision.datasets.MNIST(

root='./data', # 文件存儲位置

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維度：[batch_size,1,28,28]

labels：[batch_size]，即圖片對應(yīng)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. 定義神經(jīng)網(wǎng)絡(luò)模型

這里使用全神經(jīng)網(wǎng)絡(luò)作為模型

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. 模型訓(xùn)練

in_num = 784 # 輸入維度

h_num = 500 # 隱藏層維度

out_num = 10 # 輸出維度

epochs = 30 # 迭代次數(shù)

learning_rate = 0.001

USE_CUDA = torch.cuda.is_available() # 定義是否可以使用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() # 損失函數(shù)

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) # 預(yù)測

loss = loss_fn(y_pred,labels) # 計算損失

optimizer.zero_grad()

loss.backward()

optimizer.step()

n = e * i +1

if n % 100 == 0:

print(n,'loss:',loss.item())

訓(xùn)練模型的loss部分截圖如下：

5. 測試模型

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] # 這里需要有[1]，因為它返回了概率還有標(biāo)簽

total += labels.size(0)

correct += (prediction == labels).sum().item()

print("The accuracy of total {} images: {}%".format(total, 100 * correct/total))

實驗結(jié)果

最終實驗的正確率達(dá)到：98.22%

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持python博客。

總結(jié)

以上是生活随笔為你收集整理的python模拟手写笔迹_pytorch实现MNIST手写体识别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。