Pytorch卷积神经网络识别手写数字集

卷积神经网络目前被广泛地用在图片识别上, 已经有层出不穷的应用, 如果你对卷积神经网络充满好奇心，这里为你带来pytorch实现cnn一些入门的教程代码

#首先导入包

import torch
from torch.autograd import Variable
import torch.nn as nn
import torchvision
import torch.utils.data as Data

#一、数据准备

#训练数据：用了torchvision.datasets.MNIST，root是文件路径，train为True（这是训练数据），transform是把图像数据转换为张量，download（如果本地已有该文件选择false，没有就选择true）

train_data = torchvision.datasets.MNIST(root='./mnist/',train=True,transform=torchvision.transforms.ToTensor(),download=False)

#训练数据：同上，train为False（这是测试数据）

test_data = torchvision.datasets.MNIST(root='./mnist/',train=False)

# "训练数据加载器"：dataset为训练数据，shuflle为打乱数据的顺序，batch_size是让数据50个为一组

train_loader = Data.DataLoader(dataset=train_data,shuffle=True,batch_size=50)

test_data.test_data.size()

torch.Size([10000, 28, 28])

#测试数据 test_data下的test_data为测试数据，因为下面conv2d输入的为4维数据，所以此处用torch.unsqueeze升维

test_x = Variable(torch.unsqueeze(test_data.test_data,dim=1),volatile=True).type(torch.FloatTensor)

#测试数据目标值

test_y = test_data.test_labels

#二、实现模型

class CNN(nn.Module):
　　def __init__(self):
　　　　super(CNN,self).__init__()

　　　　#conv2d参数：输入1维，输出16维，5个卷积核（kernel），步长（stride）为1，padding是2（如果想要 con2d 出来的图片长宽没有变化, padding=(kernel_size-1)/2 当 stride=1）
　　　　self.conv1 = nn.Sequential(nn.Conv2d(1,16,5,1,2),nn.ReLU(),nn.MaxPool2d(2))
　　　　self.conv2 = nn.Sequential(nn.Conv2d(16,32,5,1,2),nn.ReLU(),nn.MaxPool2d(2))

　　　　#Linear参数：输入维数，输出分的种类数
　　　　self.out = nn.Linear(32*7*7,10)
　　def forward(self,x):
　　　　x1 = self.conv1(x)
　　　　x2 = self.conv2(x1)

　　　　#这里给x3降为2维可以让linear函数使用
　　　　x3 = x2.view(x2.size(0),-1)
　　　　out = self.out(x3)
　　　　return out

#自动调整参数，最优化模型

cnn = CNN()

optimizer = torch.optim.Adam(cnn.parameters(),lr = 0.02)
loss_func = nn.CrossEntropyLoss()

#三、训练模型

for step,(x,y) in enumerate(train_loader):
　　x = Variable(x)
　　y = Variable(y)
　　out = cnn(x)
　　loss = loss_func(out,y)

　　#以下为固定操作，为了训练每一条数据，不断调整参数
　　optimizer.zero_grad()
　　loss.backward()
　　optimizer.step()

#四、测试

predict = cnn(test_x[:10])
res = torch.max(predict,1)[1]

res #测试数据

tensor([7, 2, 1, 0, 4, 1, 4, 9, 9, 9])

test_y[:10] #真实数据

tensor([7, 2, 1, 0, 4, 1, 4, 9, 5, 9])

#在这里我们发现前十个数据分类准确率达到90