Pytorch实现的手写数字mnist识别功能完整示例

Pytorch实现的手写数字实现的手写数字mnist识别功能完整示例识别功能完整示例

主要介绍了Pytorch实现的手写数字mnist识别功能,结合完整实例形式分析了Pytorch模块手写字识别具体步骤与

相关实现技巧,需要的朋友可以参考下

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

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)

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

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,