如何用PyTorch实现MNIST手写数字识别？

本文共计727个文字，预计阅读时间需要3分钟。

原文示例：本文实例为大家分享了使用PyTorch实现MNIST手写数字识别的整体代码，供大家参考，内容如下：实验环境+PyTorch+1.4+Windows 10+python 3.7+cuda 10.1（我笔记本上没有可使用CUDA的显卡）+实验过程

改写后：本文以PyTorch实现MNIST手写数字识别的完整代码为例，供参考。环境配置包括PyTorch 1.4、Windows 10、Python 3.7和CUDA 10.1（笔记本不支持CUDA）。实验步骤详述如下：

本文实例为大家分享了pytorch实现MNIST手写体识别的具体代码，供大家参考，具体内容如下

实验环境

pytorch 1.4
Windows 10
python 3.7
cuda 10.1（我笔记本上没有可以使用cuda的显卡）

实验过程

1. 确定我们要加载的库

import torch import torch.nn as nn import torchvision #这里面直接加载MNIST数据的方法 import torchvision.transforms as transforms # 将数据转为Tensor import torch.optim as optim import torch.utils.data.dataloader as dataloader

2. 加载数据

这里使用所有数据进行训练，再使用所有数据进行测试

train_set = torchvision.datasets.MNIST( root='./data', # 文件存储位置 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维度：[batch_size,1,28,28] labels：[batch_size]，即图片对应的 ''' 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. 定义神经网络模型

这里使用全神经网络作为模型

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. 模型训练

in_num = 784 # 输入维度 h_num = 500 # 隐藏层维度 out_num = 10 # 输出维度 epochs = 30 # 迭代次数 learning_rate = 0.001 USE_CUDA = torch.cuda.is_available() # 定义是否可以使用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() # 损失函数 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) # 预测 loss = loss_fn(y_pred,labels) # 计算损失 optimizer.zero_grad() loss.backward() optimizer.step() n = e * i +1 if n % 100 == 0: print(n,'loss:',loss.item())

训练模型的loss部分截图如下：

5. 测试模型

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] # 这里需要有[1]，因为它返回了概率还有标签 total += labels.size(0) correct += (prediction == labels).sum().item() print("The accuracy of total {} images: {}%".format(total, 100 * correct/total))

实验结果

最终实验的正确率达到：98.22%

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持易盾网络。