3.7 mnist简单数据识别-CNN
# CNN 手写数字
import numpy as np
from torch import nn,optim
from torch.autograd import Variable
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
import torch
# 训练集
train_dataset=datasets.MNIST(root='./',train=True,transform=transforms.ToTensor(),download=True)
# 测试集
test_dataset=datasets.MNIST(root='./',train=False,transform=transforms.ToTensor(),download=True)
# 批次大小
batch_size =64
# 装载训练集
train_loader= DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
# 装载测试集
test_loader= DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=True)
for i,data in enumerate(train_loader):
inputs,labels=data
print(inputs.shape)
print(labels.shape)
break
## torch.Size([64, 1, 28, 28])
## torch.Size([64])
# 定义网络结构
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
# 先设置一个卷积层,激活函数采用线性ReLU() nn.MaxPool2d(2,2)对它进行池化,横竖步长都是2
self.conv1=nn.Sequential(nn.Conv2d(1,32,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
self.conv2=nn.Sequential(nn.Conv2d(32,64,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
self.fc1=nn.Sequential(nn.Linear(64*7*7,1000),nn.Dropout(p=0.5),nn.ReLU())
self.fc2=nn.Sequential(nn.Linear(1000,10),nn.Softmax(dim=1))
def forward(self,x):
#x=x.view(x.size()[0],-1) 卷积不用转换为二维,它只能处理四维数据
x=self.conv1(x)
x=self.conv2(x)
# 全连接要求是二维的数据
# (64,64,7,7)
x=x.view(x.size()[0],-1)
x=self.fc1(x)
x=self.fc2(x)
return x
LR=0.0003
# 定义模型
model=Net()
# 定义代价函数
mse_loss=nn.CrossEntropyLoss()
# 定义优化器
optimizer=optim.Adam(model.parameters(),LR)
# 模型训练
def train():
# 模型的训练状态,Dropout起作用
model.train()
for i,data in enumerate(train_loader):
# 获得一个批次的数据和标签
inputs,labels=data
# 获得模型预测值
out=model(inputs)
# 交叉熵代价函数,不需要shape一致,它会自动独热编码
loss=mse_loss(out,labels)
# 梯度清0
optimizer.zero_grad()
# 梯度计算
loss.backward()
# 修改权值
optimizer.step()
# 模型测试
def test():
# 模型的测试状态,Dropout不起作用,所有神经元均参与计算
model.eval()
correct=0
# 计算训练集上的准确率
for i,data in enumerate(train_loader):
# 获得一个批次的数据和标签
inputs,labels=data
# 获得模型预测值
out=model(inputs)
# 获得最大值(忽略),以及最大值所在的位置
_,predicted=torch.max(out,1)
# 计算正确的个数
correct+=(predicted==labels).sum()
# 输出正确率
print("Train acc:{0}".format(correct.item()/len(train_dataset)))
correct=0
# 计算测试集上的准确率
for i,data in enumerate(test_loader):
# 获得一个批次的数据和标签
inputs,labels=data
# 获得模型预测值
out=model(inputs)
# 获得最大值(忽略),以及最大值所在的位置
_,predicted=torch.max(out,1)
# 计算正确的个数
correct+=(predicted==labels).sum()
# 输出正确率
print("Test acc:{0}".format(correct.item()/len(test_dataset)))
# 时间太久了,我们先训练5个周期
# 慢是慢,强是真的强
for epoch in range(5):
print('epoch:',epoch)
train()
test()
## epoch: 0
## Train acc:0.9712166666666666
## Test acc:0.9725
## epoch: 1
## Train acc:0.982
## Test acc:0.982
## epoch: 2
## Train acc:0.9861
## Test acc:0.9859
## epoch: 3
## Train acc:0.9886333333333334
## Test acc:0.9888
## epoch: 4
## Train acc:0.98985
## Test acc:0.9895
Comments NOTHING