Pytorch实现的手写数字mnist识别功能完整示例

本文实例讲述了Pytorch实现的手写数字mnist识别功能。分享给大家供大家参考，具体如下：

import torch
import torchvision as tv
import torchvision.transforms as transforms
import torch.nn as nn
import torch.optim as optim
import argparse
# 定义是否使用GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 定义网络结构
class LeNet(nn.Module):
 def __init__(self):
   super(LeNet, self).__init__()
   self.conv1 = nn.Sequential(   #input_size=(1*28*28)
     nn.Conv2d(1, 6, 5, 1, 2), #padding=2保证输入输出尺寸相同
     nn.ReLU(),   #input_size=(6*28*28)
     nn.MaxPool2d(kernel_size=2, stride=2),#output_size=(6*14*14)
   )
   self.conv2 = nn.Sequential(
     nn.Conv2d(6, 16, 5),
     nn.ReLU(),   #input_size=(16*10*10)
     nn.MaxPool2d(2, 2) #output_size=(16*5*5)
   )
   self.fc1 = nn.Sequential(
     nn.Linear(16 * 5 * 5, 120),
     nn.ReLU()
   )
   self.fc2 = nn.Sequential(
     nn.Linear(120, 84),
     nn.ReLU()
   )
   self.fc3 = nn.Linear(84, 10)
 # 定义前向传播过程，输入为x
 def forward(self, x):
   x = self.conv1(x)
   x = self.conv2(x)
   # nn.Linear()的输入输出都是维度为一的值，所以要把多维度的tensor展平成一维
   x = x.view(x.size()[0], -1)
   x = self.fc1(x)
   x = self.fc2(x)
   x = self.fc3(x)
   return x
#使得我们能够手动输入命令行参数，就是让风格变得和Linux命令行差不多
parser = argparse.ArgumentParser()
parser.add_argument('--outf', default='./model/', help='folder to output images and model checkpoints') #模型保存路径
parser.add_argument('--net', default='./model/net.pth', help="path to netG (to continue training)") #模型加载路径
opt = parser.parse_args()
# 超参数设置
EPOCH = 8  #遍历数据集次数
BATCH_SIZE = 64   #批处理尺寸(batch_size)
LR = 0.001    #学习率
# 定义数据预处理方式
transform = transforms.ToTensor()
# 定义训练数据集
trainset = tv.datasets.MNIST(
 root='./data/',
 train=True,
 download=True,
 transform=transform)
# 定义训练批处理数据
trainloader = torch.utils.data.DataLoader(
 trainset,
 batch_size=BATCH_SIZE,
 shuffle=True,
 )
# 定义测试数据集
testset = tv.datasets.MNIST(
 root='./data/',
 train=False,
 download=True,
 transform=transform)
# 定义测试批处理数据
testloader = torch.utils.data.DataLoader(
 testset,
 batch_size=BATCH_SIZE,
 shuffle=False,
 )
# 定义损失函数loss function 和优化方式（采用SGD）
net = LeNet().to(device)
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数，通常用于多分类问题上
optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9)
# 训练
if __name__ == "__main__":
 for epoch in range(EPOCH):
   sum_loss = 0.0
   # 数据读取
   for i, data in enumerate(trainloader):
     inputs, labels = data
     inputs, labels = inputs.to(device), labels.to(device)
     # 梯度清零
     optimizer.zero_grad()
     # forward + backward
     outputs = net(inputs)
     loss = criterion(outputs, labels)
     loss.backward()
     optimizer.step()
     # 每训练100个batch打印一次平均loss
     sum_loss += loss.item()
     if i ％ 100 == 99:
       print('[％d, ％d] loss: ％.03f'
          ％ (epoch + 1, i + 1, sum_loss / 100))
       sum_loss = 0.0
   # 每跑完一次epoch测试一下准确率
   with torch.no_grad():
     correct = 0
     total = 0
     for data in testloader:
       images, labels = data
       images, labels = images.to(device), labels.to(device)
       outputs = net(images)
       # 取得分最高的那个类
       _, predicted = torch.max(outputs.data, 1)
       total += labels.size(0)
       correct += (predicted == labels).sum()
     print('第％d个epoch的识别准确率为：％d％％' ％ (epoch + 1, (100 * correct / total)))
 #torch.save(net.state_dict(), '％s/net_％03d.pth' ％ (opt.outf, epoch + 1))

希望本文所述对大家Python程序设计有所帮助。

来源：https://blog.csdn.net/xiangxianghehe/article/details/80719612