MNIST手寫數(shù)字識別代碼詳細備注版【零基礎入門使用】

詳細講解視頻可看B站up:唐國梁Tommy的視頻輕松學 PyTorch 手寫字體識別 MNIST
這是我目前為止看到的講解最詳細的視頻,解答了我很疑惑吱殉。??
下面放了兩個版本的代碼掸冤,第一個是上面up主講解的代碼,下面的那個是pytorch官方給出的mnist代碼友雳。
官方代碼鏈接:github

一稿湿、詳細備注版


#來自b站up唐國梁Tommy

# 1 加載必要的庫
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.utils.data import DataLoader
import cv2
import numpy as np

# 2 定義超參數(shù)
BATCH_SIZE = 64 # 每批處理的數(shù)據(jù)
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 使用GPU或者CPU訓練
EPOCHS = 10 #訓練數(shù)據(jù)集的輪次
# 3 構建pipeline,對圖像進行處理
pipeline = transforms.Compose([
    transforms.ToTensor(), # 將圖片轉換成tensor
    transforms.Normalize((0.1307,),(0.3081)) # 降低模型的復雜度
])

# 4 下載押赊,加載數(shù)據(jù)
train_set = datasets.MNIST("data",train=True,download=True,transform=pipeline)

test_set = datasets.MNIST("data",train=False,download=True,transform=pipeline)

# 加載數(shù)據(jù)
train_loader = DataLoader(train_set, batch_size=BATCH_SIZE, shuffle=True)

test_loader = DataLoader(test_set, batch_size=BATCH_SIZE, shuffle=True)

# 顯示MNIST中的圖片
# with open("./data/MNIST/raw/train-images-idx3-ubyte","rb") as f:
# #     file = f.read()
# #
# # image1 = [int(str(item).encode('ascii'),10) for item in file[16 : 16+784]]
# # print(image1)
# #
# # image1_np = np.array(image1, dtype=np.uint8).reshape(28, 28, 1)
# # print(image1_np.shape)
# #
# # cv2.imwrite("digit.jpg", image1_np)

# 5 構建網(wǎng)絡模型
class Netmodel(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 10, 5) # 1: 灰度圖片的通道饺藤,10:輸出通道,5:kernel卷積核大小
        self.conv2 = nn.Conv2d(10, 20, 3) # 10:輸入通道,20:輸出通道涕俗,3:kernel
        self.fc1 = nn.Linear(20*10*10, 500) #20*10*10:輸入通道罗丰,500:輸出通道
        self.fc2 = nn.Linear(500, 10) # 500:輸入通道,10:輸出通道

    def forward(self,x):
        input_size = x.size(0) # batch_size
        x = self.conv1(x) # 輸入:batch*1*28再姑,輸出:batch*10*24*24 (28-5+1=24) 卷積操作
        x = F.relu(x) # 保持shape不變萌抵,輸出:batch*10*24*24
        x = F.max_pool2d(x, 2, 2) # 輸入:batch*10*24*24 輸出:batch*10*12*12

        x = self.conv2(x) # 輸入:batch*10*12*12 輸出:batch*20*10*10
        x =  F.relu(x)

        x = x.view(input_size,-1) # Flatten的作用 -1,自動計算維度元镀, 20*10*10 = 2000

        x = self.fc1(x) # 輸入:batch*2000 輸出:batch*500
        x = F.relu(x) # 保持shape不變

        x = self.fc2(x) # 輸入:batch*500 輸出:batch*10

        output = F.log_softmax(x, dim=1) # 計算分類后谜嫉,每個數(shù)字的概率值

        return output


# 6 定義優(yōu)化器
model = Netmodel().to(DEVICE)
optimizer = optim.Adam(model.parameters())

# 7 定義訓練方法
def train_model(model, device, train_loader, optimizer, epoch):
    # 模型訓練
    model.train()
    for batch_index, (data, target) in enumerate(train_loader):
        # 部署到DEVICE上去
        data, target = data.to(device), target.to(device)
        # 梯度初始化為0
        optimizer.zero_grad()
        # 訓練后的結果
        output = model(data)
        # 計算損失
        loss = F.cross_entropy(output, target)
        # 反向傳播
        loss.backward()
        # 參數(shù)優(yōu)化
        optimizer.step()
        if batch_index % 3000 == 0:
            print("Train Epoch : {}\t Loss : {:.6f}".format(epoch, loss.item()))

# 8 定義測試方法
def test_model(model, device, test_loader):
    # 模型驗證
    model.eval()
    # 正確率
    correct = 0.0
    # 測試損失
    test_loss= 0.0
    with torch.no_grad(): # 不會計算梯度,也不會進行反向傳播
        for data, target in test_loader:
            # 部署到device
            data, target = data.to(device), target.to(device)
            # 測試數(shù)據(jù)
            output = model(data)
            # 計算測試損失
            test_loss += F.cross_entropy(output, target).item()
            # 找到概率值最大的下標
            pred = output.max(1, keepdim=True)[1] # 值凹联,索引
            # pred = torch.max(output, dim=1)
            # pred = output.argmax(dim=1)
            # 累計正確的值
            correct += pred.eq(target.view_as(pred)).sum().item()
        test_loss /= len(test_loader.dataset)
        print("Test —— Average loss : {:.4f}, Accuracy : {:.3f}\n".format(
            test_loss, 100.0 * correct / len(test_loader.dataset)
        ))

# 9 調用方法
for epoch in range(1,EPOCHS +1):
    train_model(model, DEVICE, train_loader, optimizer, epoch)
    test_model(model, DEVICE,test_loader)

二、pytorch官方mnist示例


from __future__ import print_function
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 StepLR


class 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


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


def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with 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 loss
            pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.4f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))


def main():
    # Training settings
    parser = 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-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--dry-run', action='store_true', default=False,
                        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', default=False,
                        help='For Saving the current Model')
    args = parser.parse_args()
    use_cuda = not args.no_cuda and torch.cuda.is_available()

    torch.manual_seed(args.seed)

    device = torch.device("cuda" if use_cuda else "cpu")

    train_kwargs = {'batch_size': args.batch_size}
    test_kwargs = {'batch_size': args.test_batch_size}
    if use_cuda:
        cuda_kwargs = {'num_workers': 1,
                       'pin_memory': True,
                       'shuffle': True}
        train_kwargs.update(cuda_kwargs)
        test_kwargs.update(cuda_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()
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末哆档,一起剝皮案震驚了整個濱河市蔽挠,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌瓜浸,老刑警劉巖澳淑,帶你破解...
    沈念sama閱讀 222,946評論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異插佛,居然都是意外死亡杠巡,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,336評論 3 399
  • 文/潘曉璐 我一進店門雇寇,熙熙樓的掌柜王于貴愁眉苦臉地迎上來氢拥,“玉大人,你說我怎么就攤上這事锨侯∧酆#” “怎么了?”我有些...
    開封第一講書人閱讀 169,716評論 0 364
  • 文/不壞的土叔 我叫張陵囚痴,是天一觀的道長叁怪。 經(jīng)常有香客問我,道長深滚,這世上最難降的妖魔是什么奕谭? 我笑而不...
    開封第一講書人閱讀 60,222評論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮痴荐,結果婚禮上血柳,老公的妹妹穿的比我還像新娘。我一直安慰自己生兆,他們只是感情好混驰,可當我...
    茶點故事閱讀 69,223評論 6 398
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般栖榨。 火紅的嫁衣襯著肌膚如雪昆汹。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,807評論 1 314
  • 那天婴栽,我揣著相機與錄音满粗,去河邊找鬼。 笑死愚争,一個胖子當著我的面吹牛映皆,可吹牛的內容都是我干的。 我是一名探鬼主播轰枝,決...
    沈念sama閱讀 41,235評論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼捅彻,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了鞍陨?” 一聲冷哼從身側響起步淹,我...
    開封第一講書人閱讀 40,189評論 0 277
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎诚撵,沒想到半個月后缭裆,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,712評論 1 320
  • 正文 獨居荒郊野嶺守林人離奇死亡寿烟,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 38,775評論 3 343
  • 正文 我和宋清朗相戀三年澈驼,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片筛武。...
    茶點故事閱讀 40,926評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡缝其,死狀恐怖,靈堂內的尸體忽然破棺而出徘六,到底是詐尸還是另有隱情氏淑,我是刑警寧澤,帶...
    沈念sama閱讀 36,580評論 5 351
  • 正文 年R本政府宣布硕噩,位于F島的核電站假残,受9級特大地震影響,放射性物質發(fā)生泄漏炉擅。R本人自食惡果不足惜辉懒,卻給世界環(huán)境...
    茶點故事閱讀 42,259評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望谍失。 院中可真熱鬧眶俩,春花似錦、人聲如沸快鱼。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,750評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間讯屈,已是汗流浹背示辈。 一陣腳步聲響...
    開封第一講書人閱讀 33,867評論 1 274
  • 我被黑心中介騙來泰國打工挎狸, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 49,368評論 3 379
  • 正文 我出身青樓,卻偏偏與公主長得像燃乍,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子宛琅,可洞房花燭夜當晚...
    茶點故事閱讀 45,930評論 2 361

推薦閱讀更多精彩內容