minist手写数字的识别代码复现(pytorch 版本)

VIPminist手写数字的识别代码复现(pytorch 版本)
电脑系统:Windows 10语言环境:Python 3.8.18编译器:jupyter notebook深度学习环境:torch == 1.13.1+cu116显卡及显存: Tesla V100-PCIE-32GB卷积神经网络(Convolutional Neural Network,CNN或ConvNet)是一种 具有局部连接、权重共享等特性的深层前馈神经网络. 目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的 前馈神经网络。
开通可读全文 ·2.6k 人阅读
最低0.47元/天 解锁文章

🍨 本文为🔗365天深度学习训练营 中的学习记录博客
🍖 原作者:K同学啊 | 接辅导、项目定制

一、前言

二、我的环境

电脑系统:Windows 10

语言环境:Python 3.8.18

编译器:jupyter notebook

深度学习环境:torch == 1.13.1+cu116

                      torchvision==0.14.1+cu116

 TensorFlow 2.13.1

显卡及显存: Tesla V100-PCIE-32GB

三、准备阶段

1.设置计算的工具

设置是否使用GPU进行计算以及导入深度学习计算相关的包和依赖。

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision

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

运行结果:
在这里插入图片描述

2.导入数据

导入数据,并划分好训练集和测试集。

#、从官网下载数据集,并将训练集存储在变量train_ds、测试集存储在变量test_ds中,并将其数据类型转化成张量

train_ds = torchvision.datasets.MNIST('data', 
                                      train=True, 
                                      transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
                                      download=True)

test_ds  = torchvision.datasets.MNIST('data', 
                                      train=False, 
                                      transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
                                      download=True)

  下面是对深度学习中torchvision.datasets()函数使用方法的小结:
torchvision.datasets 模块提供了用于加载和处理常见视觉数据集的功能。这些数据集通常用于训练和测试计算机视觉模型。下面torchvision.datasets 函数的详细使用方法:

导入必要的库:
python
import torchvision.datasets as datasets
常用数据集:

datasets.ImageFolder(root, transform=None, target_transform=None):从文件夹中加载图像数据集,每个子文件夹代表一个类别。
datasets.CIFAR10(root, train=True, transform=None, target_transform=None, download=False):加载 CIFAR-10 数据集。
datasets.CIFAR100(root, train=True, transform=None, target_transform=None, download=False):加载 CIFAR-100 数据集。
datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False):加载 MNIST 数据集。
其他数据集如 FashionMNIST、Coco等。
参数说明:

root:数据集存储的根目录。
train:True 表示加载训练集,False 表示加载测试集。
transform:对数据进行转换的函数。
target_transform:对标签进行转换的函数。
download:是否下载数据集(仅在第一次运行时需要)。
使用示例:

python
#导入必要的库
import torchvision.datasets as datasets
import torchvision.transforms as transforms

#定义数据转换
transform = transforms.Compose([
transforms.ToTensor(), # 将图像转为 Tensor 格式
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 标准化图像数据
])

#加载 CIFAR-10 训练集
train_dataset = datasets.CIFAR10(root=‘./data’, train=True, transform=transform, download=True)

#加载 CIFAR-10 测试集
test_dataset = datasets.CIFAR10(root=‘./data’, train=False, transform=transform, download=True)

  torch.utils.data.DataLoader 函数是 PyTorch 提供的用于批量加载数据的工具,主要用于训练神经网络时对数据集进行加载和处理。以下是 torch.utils.data.DataLoader 函数的详细参数说明:

dataset (Dataset):要从中加载数据的数据集。该数据集需要实现 len 方法以及 getitem 方法。

batch_size (int, optional):每个批次中包含的样本数量,默认为 1。

shuffle (bool, optional):是否在每个 epoch 重新打乱数据顺序,默认为 False。设置为 True 可以在每个 epoch 开始时打乱数据,有助于增加模型的泛化能力。

sampler (Sampler, optional):定义从数据集中提取样本的策略。如果指定此参数,则忽略 shuffle 参数。

batch_sampler (Sampler, optional):类似于 sampler,但返回一个批次的索引列表。

num_workers (int, optional):用于数据加载的子进程数。默认值为 0,表示数据将在主进程中加载。通常可以设置为大于 0 的值来加速数据加载,特别是在数据预处理较耗时时。

collate_fn (callable, optional):用于将单个样本的数据合并成一个批次的函数。默认情况下使用 default_collate 函数。

pin_memory (bool, optional):如果为 True,则将数据加载到 CUDA 固定内存中,可以加速数据传输。

drop_last (bool, optional):如果数据集的大小不能被 batch_size 整除,是否丢弃最后一个不完整的批次,默认为 False。

timeout (numeric, optional):数据加载超时时间,默认为 0。

worker_init_fn (callable, optional):每个 worker 初始化时会调用此函数。

multiprocessing_context (Context, optional):指定 multiprocessing 上下文来启动子进程,默认为 None。

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_ds, 
                                       batch_size=batch_size, 
                                       shuffle=True)

test_dl  = torch.utils.data.DataLoader(test_ds, 
                                       batch_size=batch_size)

#2、查看每个批次数据格式和形状

# 取一个批次查看数据格式
# 数据的shape为:[batch_size, channel, height, weight]
# 其中batch_size为自己设定,channel,height和weight分别是图片的通道数,高度和宽度。
imgs, labels = next(iter(train_dl))
imgs.shape

在这里插入图片描述  可以看出,运行的结果,通过上面两个函数,图片数据显示为每批32张,单通道,高和宽为28*28大小。

3.查看数据

import numpy as np

 # 指定图片大小,图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure
VIP PyTorch项目笔记(一):MINST手写体数据集的识别 MINST手写体数据集的识别,利用pytorch实现。 开通可读全文·1.7k 阅读·9 点赞·21 收藏 阅读全文

相关推荐

pytorch | minist手写数据集

神经网络(Neural Network)是一种受生物神经系统(尤其是大脑神经元连接方式)启发的,是深度学习的核心基础。它通过模拟大量 “人工神经元” 的互联结构,学习数据中的复杂模式和规律,从而实现分类、预测、生成等任务。本项目采用的是每一层的神经元与下一层所有神经元连接。应用:简单分类 / 回归任务(如房价预测、鸢尾花分类)。

weixin_56766801的博客 1289

【深度学习】: MNIST手写数字识别

MNIST手写数字识别数据集是图像分类领域最常用的数据集之一,它包含60,000张训练图片,10,000张测试图片,图片中的数字均被缩放到同一尺寸且置于图像中央,图片大小为28×28。MNIST数据集中的每个样本都是一个大小为784×1的矩阵(从28×28转换得到)。MNIST数据集中的数字包括0到9共10类,如下图所示。注意,任何关于测试集的信息都不该被引入训练过程。在本次案例中,我们将构建多层感知机来完成MNIST手写数字识别。

高丽大学人工智能硕士在读|专注大模型、RAG、OCR与AI工程实践 3578

Python 手写数字识别 MNIST数据集下载失败

手写数字识别 MNIST数据集下载失败

水w的博客 4822

MNIST手写数字识别实战:从全连接到CNN的完整指南

神经网络是机器学习的基础模型,通过多层参数映射逼近复杂函数。在图像分类任务中,模型需要从原始像素中提取特征并完成判别,而卷积神经网络(CNN)通过局部感受野和参数共享,显著提升了图像特征提取的效率。对于入门者,一个合适的数据集是快速建立直觉的关键。MNIST手写数字数据集包含7万张28×28灰度图,任务清晰、规模适中,被广泛视为深度学习的“hello world”。从最简单的全连接网络训练开始,逐步引入隐藏层、激活函数与Adam优化器,再到升级为CNN结构,整个过程能够覆盖数据预处理、前向传播、反向传播、过

weixin_29483277的博客 227

深度学习入门基础教程(三) CNN做MNIST数据集图像分类 pytorch版代码

一. 原理解读 这个和上一篇教程一样,都是简单的图像分类,只是针对的数据集不同。鉴于是入门教程,再仔细写一遍 分享一篇我觉得非常适合新手理解CNN的博文https://blog.csdn.net/XYlittlework/article/details/79903225 MNIST数据集(训练集6万张,测试集1万张,每张灰度图28*28*1(单通道),数字0-9对应标签值0-9)如下: ...

是鲤鱼啊 2271

计算机视觉-05-目标检测:LeNet的PyTorch复现(MNIST手写数据集篇)(包含数据和代码)

创建模型,部署gpu#定义优化器#训练模型, 启用 BatchNormalization 和 Dropout, 将BatchNormalization和Dropout置为Truetotal = 0#enumerate迭代已加载的数据集,同时获取数据和数据下标#把模型部署到device上#初始化梯度#保存训练结果#计算损失和#多分类情况通常使用cross_entropy(交叉熵损失函数), 而对于二分类问题, 通常使用sigmod#获取最大概率的预测结果。

AI研习星球 1250

PyTorch MNIST手写数字识别:数据加载、CNN训练与评估全解析

图像分类是深度学习入门的重要场景,而手写数字识别作为经典任务,常被用来理解模型构建与训练的核心流程。卷积神经网络(CNN)通过局部感知和参数共享自动提取图像特征,相比全连接网络大幅减少参数量,同时提升对空间结构的刻画能力。在工程实践中,数据加载、模型设计、训练验证与结果可视化共同构成一个完整的图像分类项目。基于PyTorch框架,借助其数据集封装与自动求导机制,可以快速搭建出高效、易扩展的识别流程。这类技术在文档识别、表单处理等实际应用中有广泛价值,但许多初学者在编写代码时却容易忽略数据标准化、训练验证模式

weixin_29055137的博客 224

Inventor插件开发入门:从零开始创建一个简单的记事本调用插件

本文详细介绍了如何从零开始开发一个Autodesk Inventor插件,实现记事本调用功能。内容涵盖SDK环境搭建、插件项目创建、代码实现、部署调试等关键步骤,并提供了功能区按钮集成、错误处理等进阶技巧,帮助开发者快速掌握Inventor插件开发的核心流程。

convnet3designer的博客 246

【已解决,极简单!!】求助,R语言读取csv文件各种报错

【已解决】本来之前没问题,今天更新了Rstudioh以及R,就各种报错了。也看了目前能读取到的文件,从第一个中文字符直接就没有了。也就是说 还是读取中文字符的问题?新人初学,求大佬轻喷!

youyouluming945的博客 3880

Jupyter Notebook 命名出现“error”且运行后没反应

Jupyter Notebook 命名出现“error”且运行后没反应提前声明错误截图(方便大家看看是不是自己的错误)解决方法 提前声明 我的问题是在看到答主 @开始King的回答后才解决的,因为答主大大的文章后面有些地方不是很详细,我在这里再在King大大的基础上完善一下子 错误截图(方便大家看看是不是自己的错误) 1.命名失败,上面出现一个“error”字样 2.运行失败,无论是点击上方的运行按钮还是按快捷键shift+enter 都只会向下再增加一个代码块,而不会运行程序。 (也不是很多人出现的[*

qq_52770743的博客 1万+

centos8 安装新版bind9源码

bind一直在更新,使用了比较多的新架构 本文记录新版本的bind怎么安装,以及其依赖库的安装 1. 在https://www.isc.org/download/ 下载最新stable版本bind,本文以bind-9.17.9.tar.xz为例。将软件传到/root目录下。 也可以到https://ftp.isc.org/isc/bind9/ 下载更多历史版本 2. 安装基本的依赖库,像gcc、amake等 3. 需要安装libuv库,但直接用yum时可能安装不全 建议使用源码安装,需要安..

linggang_123的博客 2542

CodeSys集成C语言动态库:从环境搭建到视觉应用实战

本文详细介绍了如何在CodeSys环境中集成C语言动态库,以解决工业自动化项目中复杂计算(如AI视觉检测)的性能瓶颈。通过Extension SDK搭建桥梁,开发者可将高效的C/C++算法(如OpenCV图像处理)编译为动态库,并在CodeSys中像调用普通功能块一样使用,实现PLC逻辑控制与后台高性能计算的协同工作。

cake8的博客 536

6-3 根据派生类写出基类(Java解法)(PTA)

主要是看main函数里调用了什么方法和输出样例,一一对应一下有思路再写就很简单.建议使用IDEA自动生成,可以少写很多代码。

u012137663的博客 1146

别再到处找资源了!WinCC 7.5 SP2官方下载与Windows 10保姆级安装避坑指南

本文提供了WinCC 7.5 SP2在Windows 10上的官方下载与安装全流程指南,重点解决了资源获取难、系统兼容性问题及分卷压缩处理等常见痛点。通过详细的步骤和实用技巧,帮助用户顺利完成安装并优化配置,适用于工控领域的学习者和从业者。

weixin_32924297的博客 516

MT76X8 RF定频使用方法

MT7628 QA定频软件使用方法

zhouwu_linux的专栏 2088

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

下一篇: CIFAR10彩色图片识别(pytorch)
Little Oval and Mr.Thirteen
博客等级 码龄4年 150粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址