网站建设亇金手指专业,禅城网站设计,建设网站类型,网页动态设计怎么做目录
一、数据介绍
二、下载数据
三、可视化数据
四、模型构建
五、模型训练
六、模型预测 一、数据介绍
MNIST数据集是深度学习入门的经典案例#xff0c;因为它具有以下优点#xff1a;
1. 数据量小#xff0c;计算速度快。MNIST数据集包含60000个训练样本和1000…目录
一、数据介绍
二、下载数据
三、可视化数据
四、模型构建
五、模型训练
六、模型预测 一、数据介绍
MNIST数据集是深度学习入门的经典案例因为它具有以下优点
1. 数据量小计算速度快。MNIST数据集包含60000个训练样本和10000个测试样本每张图像的大小为28x28像素这样的数据量非常适合在GPU上进行并行计算。
2. 标签简单易于理解。MNIST数据集的标签只有0-9这10个数字相比其他图像分类数据集如CIFAR-10等更加简单易懂。
3. 数据集已标准化。MNIST数据集中的图像已经被归一化到0-1之间这使得模型可以更快地收敛并提高准确率。
4. 适合初学者练习。MNIST数据集是深度学习入门的最佳选择之一因为它既不需要复杂的数据预处理也不需要大量的计算资源可以帮助初学者快速上手深度学习。
综上所述MNIST数据集是深度学习入门的经典案例它具有数据量小、计算速度快、标签简单、数据集已标准化、适合初学者练习等优点因此被广泛应用于深度学习的教学和实践中。
手写数字识别技术的应用非常广泛例如在金融、保险、医疗、教育等领域中都有很多应用场景。手写数字识别技术可以帮助人们更方便地进行数字化处理提高工作效率和准确性。此外手写数字识别技术还可以用于机器人控制、智能家居等方面 。
使用torch.datasets.MNIST下载到指定目录下./data当downloadTrue时如果已经下载了不会再重复下载同train选择下载训练数据还是测试数据
官方提供的类
class MNIST(root: str,train: bool True,transform: ((...) - Any) | None None,target_transform: ((...) - Any) | None None,download: bool False
)
Args:root (string): Root directory of dataset where MNIST/raw/train-images-idx3-ubyteand MNIST/raw/t10k-images-idx3-ubyte exist.train (bool, optional): If True, creates dataset from train-images-idx3-ubyte,otherwise from t10k-images-idx3-ubyte.download (bool, optional): If True, downloads the dataset from the internet andputs it in root directory. If dataset is already downloaded, it is not downloaded again.transform (callable, optional): A function/transform that takes in an PIL imageand returns a transformed version. E.g, transforms.RandomCroptarget_transform (callable, optional): A function/transform that takes in thetarget and transforms it.
二、下载数据
# 导入数据集
# 训练集
import torch
from torchvision import datasets,transforms
from torch.utils.data import Dataset
train_loader torch.utils.data.DataLoader(datasets.MNIST(root./data,trainTrue,downloadTrue,transformtransforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,),(0.3081,))])),batch_size64,shuffleTrue)# 测试集
test_loader torch.utils.data.DataLoader(datasets.MNIST(./data,trainFalse,transformtransforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,),(0.3081,))])),batch_size64,shuffleTrue
)
pytorch也提供了自定义数据的方法根据自己数据进行处理
使用PyTorch提供的Dataset和DataLoader类来定制自己的数据集。如果想个性化自己的数据集或者数据传递方式也可以自己重写子类。
以下是一个简单的例子展示如何创建一个自定义的数据集并将其传递给模型进行训练
import torch
from torch.utils.data import Dataset, DataLoaderclass MyDataset(Dataset):def __init__(self, data, labels):self.data dataself.labels labelsdef __len__(self):return len(self.data)def __getitem__(self, index):x self.data[index]y self.labels[index]return x, ydata torch.randn(100, 3, 32, 32)
labels torch.randint(0, 10, (100,))my_dataset MyDataset(data, labels)
my_dataloader DataLoader(my_dataset, batch_size4, shuffleTrue)详细完整流程可参考 Pytorch快速搭建并训练CNN模型
三、可视化数据
mport matplotlib.pyplot as plt
import numpy as np
import torchvision
def imshow(img):img img / 2 0.5 # 逆归一化npimg img.numpy()plt.imshow(np.transpose(npimg,(1,2,0)))plt.title(Label)plt.show()# 得到batch中的数据
dataiter iter(train_loader)
images,labels next(dataiter)
# 展示图片
imshow(torchvision.utils.make_grid(images)) 四、模型构建
定义模型类并继承nn.Module基类
# 构建模型
import torch.nn as nn
import torch
import torch.nn.functional as F
class MyNet(nn.Module):def __init__(self):super(MyNet,self).__init__()# 输入图像为单通道输出为六通道卷积核大小为5×5self.conv1 nn.Conv2d(1,6,5)self.conv2 nn.Conv2d(6,16,5)# 将16×4×4的Tensor转换为一个120维的Tensor因为后面需要通过全连接层self.fc1 nn.Linear(16*4*4,120)self.fc2 nn.Linear(120,84)self.fc3 nn.Linear(84,10)def forward(self,x):# 在22的窗口上进行池化x F.max_pool2d(F.relu(self.conv1(x)),2)x F.max_pool2d(F.relu(self.conv2(x)),2)# 将维度转换成以batch为第一维剩余维数相乘为第二维x x.view(-1,self.num_flat_features(x))x F.relu(self.fc1(x))x F.relu(self.fc2(x))x self.fc3(x)return xdef num_flat_features(self,x):size x.size()[1:]num_features 1for s in size:num_features * sreturn num_featuresnet MyNet()
print(net)
输出
MyNet((conv1): Conv2d(1, 6, kernel_size(5, 5), stride(1, 1))(conv2): Conv2d(6, 16, kernel_size(5, 5), stride(1, 1))(fc1): Linear(in_features256, out_features120, biasTrue)(fc2): Linear(in_features120, out_features84, biasTrue)(fc3): Linear(in_features84, out_features10, biasTrue)
)
简单的前向传播
# 前向传播
print(len(images))
image images[:2]
label labels[:2]
print(image.shape)
print(image.size())
print(label)
out net(image)
print(out)
输出
16
torch.Size([2, 1, 28, 28])
torch.Size([2, 1, 28, 28])
tensor([6, 0])
tensor([[ 1.5441e00, -1.2524e00, 5.7165e-01, -3.6299e00, 3.4144e00,2.7756e00, 1.1974e01, -6.6951e00, -1.2850e00, -3.5383e00],[ 6.7947e00, -7.1824e00, 8.8787e-01, -5.2218e-01, -4.1045e00,4.6080e-01, -1.9258e00, 1.8958e-01, -7.7214e-01, -6.3265e-03]],grad_fnAddmmBackward0)
计算损失
# 计算损失
# 因为是多分类所有采用CrossEntropyLoss函数二分类用BCELoss
image images[:2]
label labels[:2]
out net(image)
criterion nn.CrossEntropyLoss()
loss criterion(out,label)
print(loss)
输出
tensor(2.2938, grad_fnNllLossBackward0)
五、模型训练
# 开始训练
model MyNet()
# device torch.device(cuda:0)
# model model.to(device)
import torch.optim as optim
optimizer optim.SGD(model.parameters(),lr0.01) # lr表示学习率
criterion nn.CrossEntropyLoss()
def train(epoch):# 设置为训练模式某些层的行为会发生变化dropout和batchnorm:会根据当前批次的数据计算均值和方差加速模型的泛化能力model.train()running_loss 0.0for i,data in enumerate(train_loader):# 得到输入和标签inputs,labels data# 消除梯度optimizer.zero_grad()# 前向传播、计算损失、反向传播、更新参数outputs model(inputs)loss criterion(outputs,labels)loss.backward()optimizer.step()# 打印日志running_loss loss.item()if i % 100 0:print([%d,%5d] loss: %.3f%(epoch1,i1,running_loss/100))running_loss 0train(10)
输出
[11, 1] loss: 0.023
[11, 101] loss: 2.302
[11, 201] loss: 2.294
[11, 301] loss: 2.278
[11, 401] loss: 2.231
[11, 501] loss: 1.931
[11, 601] loss: 0.947
[11, 701] loss: 0.601
[11, 801] loss: 0.466
[11, 901] loss: 0.399
六、模型预测
# 模型预测结果
correct 0
total 0
with torch.no_grad():for data in test_loader:images,labels dataoutputs model(images)# 最大的数值及最大值对应的索引value,predicted torch.max(outputs.data,1)total labels.size(0)# 对bool型的张量进行求和操作得到所有预测正确的样本数采用item将整数类型的张量转换为python中的整型对象correct (predicted labels).sum().item()print(predicted:{}.format(predicted[:10].tolist()))print(label:{}.format(labels[:10].tolist()))print(Accuracy of the network on the 10 test images: %d %%% (100*correct/total))imshow(torchvision.utils.make_grid(images[:10],nrowlen(images[:10])))输出
predicted:[1, 0, 7, 6, 5, 2, 4, 3, 2, 6]
label:[1, 0, 7, 6, 5, 2, 4, 8, 2, 6]
Accuracy of the network on the 10 test images: 91 % 对应类别的准确率
class_correct list(0. for i in range(10))
class_total list(0. for i in range(10))
classes [i for i in range(10)]with torch.no_grad():# model.eval()for data in test_loader:images,labels dataoutputs model(images)value,predicted torch.max(outputs,1)c (predicted labels).squeeze()# 对所有labels逐个进行判断for i in range(len(labels)):label labels[i]class_correct[label] c[i].item()class_total[label] 1print(class_correct:{}.format(class_correct))print(class_total:{}.format(class_total))# 每个类别的指标
for i in range(10):print(Accuracy of - class %d : %2d %%%(classes[i],100*class_correct[i]/class_total[i]))
输出
class_correct:[958.0, 1119.0, 948.0, 938.0, 901.0, 682.0, 913.0, 918.0, 748.0, 902.0]
class_total:[980.0, 1135.0, 1032.0, 1010.0, 982.0, 892.0, 958.0, 1028.0, 974.0, 1009.0]
Accuracy of - class 0 : 97 %
Accuracy of - class 1 : 98 %
Accuracy of - class 2 : 91 %
Accuracy of - class 3 : 92 %
Accuracy of - class 4 : 91 %
Accuracy of - class 5 : 76 %
Accuracy of - class 6 : 95 %
Accuracy of - class 7 : 89 %
Accuracy of - class 8 : 76 %
Accuracy of - class 9 : 89 %
