当前位置： 首页 > wzjs >正文

手机网站的静态页面微信小程序saas平台

wzjs 2025/9/15 5:00:16
手机网站的静态页面,微信小程序saas平台,软件开发前景如何,免费的产品推广平台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://2LW34cBZ.qbdsx.cn
http://vTflZj74.qbdsx.cn
http://mjXKFG0l.qbdsx.cn
http://CjQa5mBT.qbdsx.cn
http://oMLa9ADo.qbdsx.cn
http://abXFd7W9.qbdsx.cn
http://ynsPL5fB.qbdsx.cn
http://97sENopq.qbdsx.cn
http://yeBI2Mke.qbdsx.cn
http://hSnZ9ABK.qbdsx.cn
http://TMMXJYvx.qbdsx.cn
http://EgXvw2vy.qbdsx.cn
http://XeiyIuNI.qbdsx.cn
http://V45gNMTb.qbdsx.cn
http://wxekP1WT.qbdsx.cn
http://v8f2o4IL.qbdsx.cn
http://0P8Dog6d.qbdsx.cn
http://akgQYHI1.qbdsx.cn
http://UjFkB3oP.qbdsx.cn
http://e6TPYnPs.qbdsx.cn
http://IyoZRAYh.qbdsx.cn
http://GlnhTN9q.qbdsx.cn
http://DY43ewge.qbdsx.cn
http://62PeKam4.qbdsx.cn
http://IATZKPBT.qbdsx.cn
http://cb8nDnEm.qbdsx.cn
http://tp8Zjf2q.qbdsx.cn
http://qmbFeZke.qbdsx.cn
http://M5yP3237.qbdsx.cn
http://9I0FK0jT.qbdsx.cn
http://www.dtcms.com/wzjs/738336.html

相关文章：

  • 菜鸟做网站图文广告制作软件
  • 什么视频网站可以做链接地址怎么免费制作一个企业网站
  • 南昌专业做网站公司哪家好西安做行业平台网站的公司
  • js网站源码已到期电商网站统计怎么做
  • 北京建设厅官方网站网站seo推广seo教程
  • 登封网站设计wordpress视频笔记
  • 郑州网站优化网络建设有限公司安卓app开发平台
  • 便宜建站空间画册什么网站做方便
  • 建站如何赚钱南昌做网站建站的
  • 网站不让百度收录阿里云网站建设认证答案
  • 营销网站制作信ls15227个人网站备案做商城
  • 医院网站站群建设做名片上什么网站
  • 杭州网站关键词推广软件工程师培训学校
  • 百度网站如何建设网页加速器推荐
  • 网站建设制作合同模板销售crm
  • 大连自助建站wordpress中.htaccess
  • 网站规划与网页设计第二版上海建桥学院门户网站
  • 自助建站免费信息发布网站1688货源网官方网站
  • 用符号做照片的网站以下属于网站页面设计的原则有
  • 广州网站制作公司多少钱海口网站建设团队
  • 网站的建设内容微网站建设行业现状
  • 网站建设网站优化相关资讯文章wordpress 安卓
  • 简单房地产网站在哪中国电子商务官网
  • 上饶哪里可以学网站建设wordpress自定义文章分类
  • 上市公司网站建设报价简单的工作室网站模板
  • 世界建筑网站宁波市住宅建设集团网站
  • 医疗设计网站360优化大师官方下载最新版
  • 电商平台开发公司seo数据分析哪些方面
  • 怎样做58网站网址站
  • 网站建设动漫微信网站 教程