這篇文章主要介紹了PyTorch如何實現(xiàn)手寫數(shù)字識別功能，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
MNIST 手寫數(shù)字識別是一個比較簡單的入門項目，相當(dāng)于深度學(xué)習(xí)中的 Hello World，可以讓我們快速了解構(gòu)建神經(jīng)網(wǎng)絡(luò)的大致過程。雖然網(wǎng)上的案例比較多，但還是要自己實現(xiàn)一遍。代碼采用 PyTorch 1.0 編寫并運行。
導(dǎo)入相關(guān)庫
import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms import torchvision from torch.autograd import Variable from torch.utils.data import DataLoader import cv2
torchvision 用于下載并導(dǎo)入數(shù)據(jù)集
cv2 用于展示數(shù)據(jù)的圖像
獲取訓(xùn)練集和測試集
# 下載訓(xùn)練集 train_dataset = datasets.MNIST(root='./num/', train=True, transform=transforms.ToTensor(), download=True) # 下載測試集 test_dataset = datasets.MNIST(root='./num/', train=False, transform=transforms.ToTensor(), download=True)
root 用于指定數(shù)據(jù)集在下載之后的存放路徑
transform 用于指定導(dǎo)入數(shù)據(jù)集需要對數(shù)據(jù)進行那種變化操作
train是指定在數(shù)據(jù)集下載完成后需要載入的那部分?jǐn)?shù)據(jù)，設(shè)置為 True 則說明載入的是該數(shù)據(jù)集的訓(xùn)練集部分，設(shè)置為 False 則說明載入的是該數(shù)據(jù)集的測試集部分
download 為 True 表示數(shù)據(jù)集需要程序自動幫你下載
這樣設(shè)置并運行后，就會在指定路徑中下載 MNIST 數(shù)據(jù)集，之后就可以使用了。
數(shù)據(jù)裝載和預(yù)覽
# dataset 參數(shù)用于指定我們載入的數(shù)據(jù)集名稱 # batch_size參數(shù)設(shè)置了每個包中的圖片數(shù)據(jù)個數(shù) # 在裝載的過程會將數(shù)據(jù)隨機打亂順序并進打包 # 裝載訓(xùn)練集 train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) # 裝載測試集 test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=True)
在裝載完成后，可以選取其中一個批次的數(shù)據(jù)進行預(yù)覽：
重慶分公司
重慶分公司
images, labels = next(iter(data_loader_train))
img = torchvision.utils.make_grid(images)
img = img.numpy().transpose(1, 2, 0)
std = [0.5, 0.5, 0.5]
mean = [0.5, 0.5, 0.5]
img = img * std + mean
print(labels)
cv2.imshow('win', img)
key_pressed = cv2.waitKey(0)在以上代碼中使用了 iter 和 next 來獲取取一個批次的圖片數(shù)據(jù)和其對應(yīng)的圖片標(biāo)簽，然后使用 torchvision.utils 中的 make_grid 類方法將一個批次的圖片構(gòu)造成網(wǎng)格模式。
預(yù)覽圖片如下：
并且打印出了圖片相對應(yīng)的數(shù)字：
搭建神經(jīng)網(wǎng)絡(luò)
# 卷積層使用 torch.nn.Conv2d # 激活層使用 torch.nn.ReLU # 池化層使用 torch.nn.MaxPool2d # 全連接層使用 torch.nn.Linear class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__() self.conv1 = nn.Sequential(nn.Conv2d(1, 6, 3, 1, 2), nn.ReLU(), nn.MaxPool2d(2, 2)) self.conv2 = nn.Sequential(nn.Conv2d(6, 16, 5), nn.ReLU(), nn.MaxPool2d(2, 2)) self.fc1 = nn.Sequential(nn.Linear(16 * 5 * 5, 120), nn.BatchNorm1d(120), nn.ReLU()) self.fc2 = nn.Sequential( nn.Linear(120, 84), nn.BatchNorm1d(84), nn.ReLU(), nn.Linear(84, 10)) # 最后的結(jié)果一定要變?yōu)?nbsp;10，因為數(shù)字的選項是 0 ~ 9 def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size()[0], -1) x = self.fc1(x) x = self.fc2(x) x = self.fc3(x) return x
前向傳播內(nèi)容：
首先經(jīng)過 self.conv1() 和 self.conv1() 進行卷積處理
然后進行 x = x.view(x.size()[0], -1)，對參數(shù)實現(xiàn)扁平化（便于后面全連接層輸入）
最后通過 self.fc1() 和 self.fc2() 定義的全連接層進行最后的分類
訓(xùn)練模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
batch_size = 64
LR = 0.001
net = LeNet().to(device)
# 損失函數(shù)使用交叉熵
criterion = nn.CrossEntropyLoss()
# 優(yōu)化函數(shù)使用 Adam 自適應(yīng)優(yōu)化算法
optimizer = optim.Adam(
net.parameters(),
lr=LR,
)
epoch = 1
if __name__ == '__main__':
for epoch in range(epoch):
sum_loss = 0.0
for i, data in enumerate(train_loader):
inputs, labels = data
inputs, labels = Variable(inputs).cuda(), Variable(labels).cuda()
optimizer.zero_grad() #將梯度歸零
outputs = net(inputs) #將數(shù)據(jù)傳入網(wǎng)絡(luò)進行前向運算
loss = criterion(outputs, labels) #得到損失函數(shù)
loss.backward() #反向傳播
optimizer.step() #通過梯度做一步參數(shù)更新
# print(loss)
sum_loss += loss.item()
if i % 100 == 99:
print('[%d,%d] loss:%.03f' %
(epoch + 1, i + 1, sum_loss / 100))
sum_loss = 0.0測試模型
net.eval() #將模型變換為測試模式
correct = 0
total = 0
for data_test in test_loader:
images, labels = data_test
images, labels = Variable(images).cuda(), Variable(labels).cuda()
output_test = net(images)
_, predicted = torch.max(output_test, 1)
total += labels.size(0)
correct += (predicted == labels).sum()
print("correct1: ", correct)
print("Test acc: {0}".format(correct.item() /
len(test_dataset)))訓(xùn)練及測試的情況：
98% 以上的成功率，效果還不錯。
感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“PyTorch如何實現(xiàn)手寫數(shù)字識別功能”這篇文章對大家有幫助，同時也希望大家多多支持創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司，關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、網(wǎng)站設(shè)計器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
