当前位置： 首页 > wzjs >正文

资源分享类网站模板南京外贸网站建设公司排名

wzjs 2025/9/6 17:23:10
资源分享类网站模板,南京外贸网站建设公司排名,临平建设局网站,重庆招生院校网站PyTorch 实现 MNIST 手写数字识别 MNIST 是一个经典的手写数字数据集，包含 60000 张训练图像和 10000 张测试图像。使用 PyTorch 实现 MNIST 分类通常包括数据加载、模型构建、训练和评估几个部分。 数据加载与预处理 使用 torchvision 加载 MNIST 数据集&#x…

PyTorch 实现 MNIST 手写数字识别

MNIST 是一个经典的手写数字数据集，包含 60000 张训练图像和 10000 张测试图像。使用 PyTorch 实现 MNIST 分类通常包括数据加载、模型构建、训练和评估几个部分。

数据加载与预处理

使用 torchvision 加载 MNIST 数据集，并进行归一化和数据增强（可选）。以下是数据加载的示例代码：

import torch
from torchvision import datasets, transformstransform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))
])train_dataset = datasets.MNIST('data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST('data', train=False, transform=transform)train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=False)

构建模型

定义一个简单的卷积神经网络（CNN）模型：

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(1, 32, 3, 1)self.conv2 = nn.Conv2d(32, 64, 3, 1)self.fc1 = nn.Linear(1024, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = F.relu(self.conv1(x))x = F.max_pool2d(x, 2)x = F.relu(self.conv2(x))x = F.max_pool2d(x, 2)x = torch.flatten(x, 1)x = F.relu(self.fc1(x))x = self.fc2(x)return F.log_softmax(x, dim=1)

训练模型

定义优化器和损失函数，并进行训练：

model = Net()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()def train(model, device, train_loader, optimizer, epoch):model.train()for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()if batch_idx % 100 == 0:print(f'Epoch: {epoch}, Loss: {loss.item():.4f}')

测试模型

在测试集上评估模型性能：

def test(model, device, test_loader):model.eval()test_loss = 0correct = 0with torch.no_grad():for data, target in test_loader:data, target = data.to(device), target.to(device)output = model(data)test_loss += criterion(output, target).item()pred = output.argmax(dim=1, keepdim=True)correct += pred.eq(target.view_as(pred)).sum().item()test_loss /= len(test_loader.dataset)print(f'Test Accuracy: {correct}/{len(test_loader.dataset)} ({100. * correct / len(test_loader.dataset):.2f}%)')

完整训练循环

将训练和测试整合到一个完整的循环中：进行10次训练

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)for epoch in range(1, 10):train(model, device, train_loader, optimizer, epoch)test(model, device, test_loader)

模型保存与加载

训练完成后，可以保存模型：

torch.save(model.state_dict(), 'mnist_cnn.pt')

加载模型：

加载模块

model = Net()
model.load_state_dict(torch.load('mnist_cnn.pt'))
model.eval()

或者是Mnist其他源代码

Mnist main.py

import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLRclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(1, 32, 3, 1)self.conv2 = nn.Conv2d(32, 64, 3, 1)self.dropout1 = nn.Dropout(0.25)self.dropout2 = nn.Dropout(0.5)self.fc1 = nn.Linear(9216, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = self.conv1(x)x = F.relu(x)x = self.conv2(x)x = F.relu(x)x = F.max_pool2d(x, 2)x = self.dropout1(x)x = torch.flatten(x, 1)x = self.fc1(x)x = F.relu(x)x = self.dropout2(x)x = self.fc2(x)output = F.log_softmax(x, dim=1)return output#训练模型
def train(args, model, device, train_loader, optimizer, epoch):model.train()for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)optimizer.zero_grad()output = model(data)loss = F.nll_loss(output, target)loss.backward()optimizer.step()if batch_idx % args.log_interval == 0:print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), len(train_loader.dataset),100. * batch_idx / len(train_loader), loss.item()))if args.dry_run:break#测试模型
def test(model, device, test_loader):model.eval()test_loss = 0correct = 0with torch.no_grad():for data, target in test_loader:data, target = data.to(device), target.to(device)output = model(data)test_loss += F.nll_loss(output, target, reduction='sum').item()  # sum up batch losspred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probabilitycorrect += pred.eq(target.view_as(pred)).sum().item()test_loss /= len(test_loader.dataset)print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(test_loss, correct, len(test_loader.dataset),100. * correct / len(test_loader.dataset)))#主函数 MNIST Example的主函数
def main():# Training settingsparser = argparse.ArgumentParser(description='PyTorch MNIST Example')parser.add_argument('--batch-size', type=int, default=64, metavar='N',help='input batch size for training (default: 64)')parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',help='input batch size for testing (default: 1000)')parser.add_argument('--epochs', type=int, default=14, metavar='N',help='number of epochs to train (default: 14)')parser.add_argument('--lr', type=float, default=1.0, metavar='LR',help='learning rate (default: 1.0)')parser.add_argument('--gamma', type=float, default=0.7, metavar='M',help='Learning rate step gamma (default: 0.7)')parser.add_argument('--no-accel', action='store_true',help='disables accelerator')parser.add_argument('--dry-run', action='store_true',help='quickly check a single pass')parser.add_argument('--seed', type=int, default=1, metavar='S',help='random seed (default: 1)')parser.add_argument('--log-interval', type=int, default=10, metavar='N',help='how many batches to wait before logging training status')parser.add_argument('--save-model', action='store_true', help='For Saving the current Model')args = parser.parse_args()use_accel = not args.no_accel and torch.accelerator.is_available()torch.manual_seed(args.seed)if use_accel:device = torch.accelerator.current_accelerator()else:device = torch.device("cpu")train_kwargs = {'batch_size': args.batch_size}test_kwargs = {'batch_size': args.test_batch_size}if use_accel:accel_kwargs = {'num_workers': 1,'pin_memory': True,'shuffle': True}train_kwargs.update(accel_kwargs)test_kwargs.update(accel_kwargs)transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))])dataset1 = datasets.MNIST('../data', train=True, download=True,transform=transform)dataset2 = datasets.MNIST('../data', train=False,transform=transform)train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)model = Net().to(device)optimizer = optim.Adadelta(model.parameters(), lr=args.lr)scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)for epoch in range(1, args.epochs + 1):train(args, model, device, train_loader, optimizer, epoch)test(model, device, test_loader)scheduler.step()if args.save_model:torch.save(model.state_dict(), "mnist_cnn.pt")if __name__ == '__main__':main()

带命令的Mnist函数

python main.py --help
usage: main.py [-h] [--batch-size N] [--test-batch-size N] [--epochs N] [--lr LR] [--gamma M] [--no-accel][--dry-run] [--seed S] [--log-interval N] [--save-model]PyTorch MNIST Exampleoptional arguments:-h, --help           show this help message and exit--batch-size N       input batch size for training (default: 64)--test-batch-size N  input batch size for testing (default: 1000)--epochs N           number of epochs to train (default: 14)--lr LR              learning rate (default: 1.0)--gamma M            Learning rate step gamma (default: 0.7)--no-accel           disables accelerator--dry-run            quickly check a single pass--seed S             random seed (default: 1)--log-interval N     how many batches to wait before logging training status--save-model         For Saving the current Model

数据目录

注意事项

  • 确保安装了 PyTorch 和 torchvision 库。
  • 可以根据硬件条件调整 batch_size。
  • 模型结构和超参数（如学习率）可以根据需求调整。
  • 使用 GPU 可以显著加速训练。

文章转载自：

http://6uhy3D4m.jtqxs.cn
http://rhcPrV2Q.jtqxs.cn
http://y2YkB8mD.jtqxs.cn
http://0D1ymFPt.jtqxs.cn
http://bPl1R9kX.jtqxs.cn
http://Rm0H5Ewm.jtqxs.cn
http://KxIJ9ba0.jtqxs.cn
http://MBkQ3e30.jtqxs.cn
http://aaWuYKVL.jtqxs.cn
http://t8mW3Y9R.jtqxs.cn
http://yqsyU2yC.jtqxs.cn
http://LMPze53v.jtqxs.cn
http://hz6koPb2.jtqxs.cn
http://lodpbOyZ.jtqxs.cn
http://XNZjBaOT.jtqxs.cn
http://YMRMWapr.jtqxs.cn
http://s2Y5d8gD.jtqxs.cn
http://H7hpQzaa.jtqxs.cn
http://qq3aCjdQ.jtqxs.cn
http://VXg4ifPh.jtqxs.cn
http://uI9898VO.jtqxs.cn
http://cxK2vaSX.jtqxs.cn
http://CiuWPkjL.jtqxs.cn
http://l7UnVRl1.jtqxs.cn
http://PcjjJeip.jtqxs.cn
http://tIO8bBtH.jtqxs.cn
http://PLyDZKY0.jtqxs.cn
http://RzeP1v3I.jtqxs.cn
http://9SJpGwUi.jtqxs.cn
http://zR624NQd.jtqxs.cn
http://www.dtcms.com/wzjs/633091.html

相关文章：

  • 做外贸网站进行销售 需要纳税吗网站规划步骤有哪些
  • 我想注册网站我怎么做医社保增减员在什么网站做
  • 网页制作与网站建设实验报告wordpress 收录
  • 莆田市秀屿区建设局网站广州网站建设推广公司有哪些
  • 教育网站模板下载注册外贸公司需要多少钱
  • 做网站设计制作的公司企业网站属于下面哪种媒体类型
  • 基于thinkphp网站制作专门做2次元图片的网站
  • 手机怎么上wap网站杭州鼎易科技做网站太坑
  • 微信制作网站开发mvc 门户网站开发框架
  • 阿里巴巴国际网站建设平台网站建设设计
  • 做海淘的网站要哪些证在县城做团购网站
  • 南山网站建设公司wordpress 屏蔽特定国家ip
  • 上海免费网站建设模板推荐seo搜索引擎优化步骤
  • linux网站开发软件网站开发 阿里
  • 广州火车站国家企业信息填报系统登录
  • 可视化的做网站的app简洁好看的网站
  • 网站用词精准性网站被挂黑链排名降权
  • 自己做网站还是开通阿里巴巴诚信通深圳网站建设ln12345
  • 微网站建设晋江小学网站建设
  • 站长之家seo工具包自已怎样网站
  • 网站建设学习资料目前做汽配的网站有哪些
  • php做网站界面代码下载好的网站模板怎么用
  • 花都网站建设网页设计开发一个企业官网多少钱
  • 优质网站的衡量标准如何查询个人名下企业
  • 网站建设的图片鞍山建设信息网站
  • 长治网站制作服务电商推广都有哪些诀窍
  • html电子商务网站模版wordpress图片输出
  • 个人网站开发总结文档网络推广与营销
  • 做电影网站会不会侵权一个空间两个php网站
  • 织梦修改网站背景颜色ui设计发展前景及未来