pytorch实现 --- 手写数字识别
目录
1.项目介绍
使用pytorch实现手写数字识别，十分简单的小项目，环境搭建好，一跑就通。
2.实现方法
2.1方式1
安装库：
pip install numpy torch torchvision matplotlib运行:
python test.py首次运行会下载MNIST数据集，请保持网络畅通
2.2方式2
3.程序代码
"""手写数字识别项目
时间：2023.11.6
环境：pytorch
作者：Rainbook
"""
import torch
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import MNIST
import matplotlib.pyplot as plt
class Net(torch.nn.Module): # 定义一个Net类，神经网络的主体
def __init__(self): # 全连接层，四个
super().__init__()
self.fc1 = torch.nn.Linear(28*28, 64) # 输入层输入28*28，输出64
self.fc2 = torch.nn.Linear(64, 64) # 中间层，输入64，输出64
self.fc3 = torch.nn.Linear(64, 64)
self.fc4 = torch.nn.Linear(64, 10) # 中间层（隐藏层）的最后一层，输出10个特征值
def forward(self, x): # 前向传播过程
# self.fc1(x)全连接线性计算，再套上一个激活函数torch.nn.functional.relu()
x = torch.nn.functional.relu(self.fc1(x))
x = torch.nn.functional.relu(self.fc2(x))
x = torch.nn.functional.relu(self.fc3(x))
# 最后一层进行softmax归一化，log_softmax是为了提高计算稳定性，在softmax后面套上了一个对数运算
x = torch.nn.functional.log_softmax(self.fc4(x), dim=1)
return x
def get_data_loader(is_train):
to_tensor = transforms.Compose([transforms.ToTensor()]) # 定义数据转换类型tensor，多维数组（张量）
"""下载MNIST数据集，
"":当前位置
is_train：判断是训练集还是测试集；
batch_size：一个批次包含15张图片；
shuffle：数据随机打乱的
"""
data_set = MNIST("", is_train, transform=to_tensor, download=True)
return DataLoader(data_set, batch_size=15, shuffle=True) # 数据加载器
def evaluate(test_data, net): # 用来评估神经网络
n_correct = 0
n_total = 0
with torch.no_grad():
for (x, y) in test_data:
outputs = net.forward(x.view(-1, 28*28)) # 计算神经网络的预测值
for i, output in enumerate(outputs): # 对每个批次的预测值进行比较，累加正确预测的数量
if torch.argmax(output) == y[i]:
n_correct += 1
n_total += 1
return n_correct / n_total # 返回正确率
def main():
# 导入训练集和测试集
train_data = get_data_loader(is_train=True)
test_data = get_data_loader(is_train=False)
net = Net() # 初始化神经网络
# 打印初始网络的正确率，应当是10%附近。手写数字有十种结果，随机猜的正确率就是1/10
print("initial accuracy:", evaluate(test_data, net))
"""训练神经网络
pytorch的固定写法
"""
optimizer = torch.optim.Adam(net.parameters(), lr=0.001)
for epoch in range(5): # 需要在一个数据集上反复训练神经网络，epoch网络轮次，提高数据集的利用率
for (x, y) in train_data:
net.zero_grad() # 初始化
output = net.forward(x.view(-1, 28*28)) # 正向传播
# 计算差值，nll_loss对数损失函数，为了匹配log_softmax的log运算
loss = torch.nn.functional.nll_loss(output, y)
loss.backward() # 反向误差传播
optimizer.step() # 优化网络参数
print("epoch", epoch, "accuracy:", evaluate(test_data, net)) # 打印当前网络的正确率
"""测试神经网络
训练完成后，随机抽取3张图片进行测试
"""
for (n, (x, _)) in enumerate(test_data):
if n > 3:
break
predict = torch.argmax(net.forward(x[0].view(-1, 28*28))) # 测试结果
plt.figure(n) # 画出图像
plt.imshow(x[0].view(28, 28)) # 像素大小28*28
plt.title("prediction: " + str(int(predict))) # figure的标题
plt.show()
if __name__ == "__main__":
main()