使用Torch神经网络实现MNIST数据集分类技术分析
时间: 2023-10-10 18:08:04 浏览: 96
PyTorch构建分类网络模型(Mnist数据集,全连接神经网络)
MNIST数据集是一个手写数字图像数据集,其中包含了0-9的数字,每张图像大小为28x28像素。这个数据集被广泛用于深度学习中的图像分类任务。下面我们将使用Torch神经网络来实现MNIST数据集的分类。
首先,我们需要导入必要的库和数据集。在Torch中,可以使用`torchvision`库来加载MNIST数据集。代码如下:
```python
import torch
import torchvision
import torchvision.transforms as transforms
# 定义数据预处理方式
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))])
# 加载MNIST数据集
trainset = torchvision.datasets.MNIST(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
shuffle=True, num_workers=2)
testset = torchvision.datasets.MNIST(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
shuffle=False, num_workers=2)
```
在上述代码中,我们定义了一个数据预处理的方式,将图像转换为张量并进行归一化。然后使用`torchvision.datasets.MNIST`加载数据集,并使用`torch.utils.data.DataLoader`创建数据集的迭代器。
接下来,我们定义一个简单的神经网络模型。这个模型包含两个卷积层和两个全连接层。代码如下:
```python
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 4 * 4, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 4 * 4)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
```
在上述代码中,我们定义了一个继承自`nn.Module`的神经网络类`Net`。该网络包含两个卷积层和两个全连接层,其中卷积层使用ReLU激活函数,全连接层使用ReLU激活函数。
接下来,我们定义损失函数和优化器。在本例中,我们使用交叉熵损失函数和随机梯度下降优化器。代码如下:
```python
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
```
最后,我们训练模型并进行测试。代码如下:
```python
for epoch in range(10): # 训练数据集10次
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# 获取输入数据
inputs, labels = data
# 梯度清零
optimizer.zero_grad()
# 前向传播、计算损失函数、反向传播、更新参数
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 统计损失值
running_loss += loss.item()
if i % 200 == 199: # 每200个batch输出一次训练状态
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 200))
running_loss = 0.0
print('Finished Training')
# 在测试集上测试模型
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
```
在上述代码中,我们对模型进行训练,并在测试集上进行测试。在测试集上的准确率达到了98%左右。
这就是使用Torch神经网络实现MNIST数据集分类的技术分析。
阅读全文