CNN手写数字识别csv训练集读取保存加载pytorch模型测试csv数据集和单张图片

你可以使用以下代码来读取、保存和加载CSV格式训练集，并使用PyTorch模型对CSV数据集和单张图片进行测试：

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
from torch.utils.data import Dataset, DataLoader

# 创建自定义数据集类
class CustomDataset(Dataset):
    def __init__(self, csv_file):
        self.data = pd.read_csv(csv_file)

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        image = self.data.iloc[idx, 1:].values.astype('float32')
        label = self.data.iloc[idx, 0]
        return torch.tensor(image), torch.tensor(label)

# 创建CNN模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.maxpool = nn.MaxPool2d(kernel_size=2)
        self.fc = nn.Linear(16*14*14, 10)

    def forward(self, x):
        x = x.view(-1, 1, 28, 28)  # 转换为图片的形状
        x = self.conv1(x)
        x = self.relu(x)
        x = self.maxpool(x)
        x = x.view(-1, 16*14*14)  # 展平特征图
        x = self.fc(x)
        return x

# 读取训练集并创建数据加载器
train_dataset = CustomDataset('train.csv')
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

# 训练并保存模型
model = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

for epoch in range(10):
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

torch.save(model.state_dict(), 'model.pth')  # 保存模型参数

# 加载模型并测试CSV数据集
model = CNN()
model.load_state_dict(torch.load('model.pth'))  # 加载模型参数

test_dataset = CustomDataset('test.csv')
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

model.eval()
with torch.no_grad():
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        print(predicted)  # 打印预测结果

# 测试单张图片
from PIL import Image

image_path = 'image.jpg'
image = Image.open(image_path).convert('L')  # 转换为灰度图
image = image.resize((28, 28))  # 调整大小为28x28
image = torch.tensor(image, dtype=torch.float32)
image = image.reshape(1, 1, 28, 28)  # 转换为图片的形状

model.eval()
with torch.no_grad():
    output = model(image)
    _, predicted = torch.max(output.data, 1)
    print(predicted)  # 打印预测结果

请确保已安装所需的库，如torch、torchvision、pandas和PIL。你需要将训练集和测试集的CSV文件命名为'train.csv'和'test.csv'，并放在与代码文件相同的目录下。同时，将要测试的单张图片命名为'image.jpg'，并将其放在相同的目录下。

在训练时，模型会保存为'model.pth'文件。你可以根据自己的需求修改模型结构、训练参数和优化器等。