PyTorch簡(jiǎn)單手寫(xiě)數(shù)字識(shí)別的實(shí)現(xiàn)過(guò)程
具體流程：
① 導(dǎo)入相應(yīng)的包，下載訓(xùn)練集和測(cè)試集對(duì)應(yīng)需要的圖像數(shù)據(jù)。
②進(jìn)行圖像數(shù)據(jù)的變換，使圖像數(shù)據(jù)轉(zhuǎn)化成pytorch可識(shí)別并計(jì)算的張量數(shù)據(jù)類(lèi)型
③數(shù)據(jù)預(yù)覽測(cè)試和數(shù)據(jù)裝載
④模型搭建和參數(shù)優(yōu)化
⑤總代碼
⑥測(cè)試
一、包導(dǎo)入及所需數(shù)據(jù)的下載
torchvision包的主要功能是實(shí)現(xiàn)數(shù)據(jù)的處理、導(dǎo)入、預(yù)覽等，所以如果需要對(duì)計(jì)算機(jī)視覺(jué)的相關(guān)問(wèn)題進(jìn)行處理，就可以借用在torchvision包中提供的大量的類(lèi)來(lái)完成相應(yīng)的工作。
代碼的開(kāi)始部分有這兩個(gè)：
import torch from torchvision import datasets, transforms # torchvision包的主要功能是實(shí)現(xiàn)數(shù)據(jù)的處理、導(dǎo)入和預(yù)覽等
torchvision.datasets：實(shí)現(xiàn)對(duì)數(shù)據(jù)集的訓(xùn)練集和測(cè)試集的下載，只需使用torchvision再加上需要下載的數(shù)據(jù)集的名稱(chēng)就可以了，比如本例的MNIST
下載數(shù)據(jù)集的代碼如下：
data_train = datasets.MNIST( transform=transform, root="./data/", train=True, download=True ) data_test = datasets.MNIST( root="./data/", transform=transform, train=True, download=False )
①root用于指定數(shù)據(jù)集在下載之后的存放路徑，這里存放在根目錄下的data文件夾
②transform用于指定導(dǎo)入數(shù)據(jù)集是需要對(duì)數(shù)據(jù)進(jìn)行哪種變換操作
③train用于指定數(shù)據(jù)集下載完成后需要載入哪部分?jǐn)?shù)據(jù)（如果設(shè)置為T(mén)rue，則說(shuō)明載入的是該數(shù)據(jù)集的訓(xùn)練集部分；如果設(shè)置為False，則說(shuō)明載入的是該數(shù)據(jù)集的測(cè)試集部分）
關(guān)于數(shù)據(jù)集引入的改動(dòng)
此處我對(duì)此進(jìn)行了稍微地小改動(dòng)，因?yàn)檎麄€(gè)導(dǎo)入下載的數(shù)據(jù)集大約有6萬(wàn)張圖片，這是一個(gè)極大的數(shù)據(jù)量，一臺(tái)配置正常的電腦程序運(yùn)行的時(shí)間需求將會(huì)是巨大的，我當(dāng)時(shí)大約跑了一上午（一臺(tái)正常配置的學(xué)生電腦），所以此處我將6萬(wàn)張數(shù)據(jù)集的訓(xùn)練集和測(cè)試集都只截取了前1000張用作訓(xùn)練和測(cè)試，雖然說(shuō)精度會(huì)降低，使得偏差較大，但是也足夠用了，在時(shí)間上會(huì)有極大的節(jié)省，代碼如下：
from torch.utils.data import random_split data_train, _ = random_split( dataset=data_train, lengths=[1000, 59000], generator=torch.Generator().manual_seed(0) ) data_test, _ = random_split( dataset=data_test, lengths=[1000, 59000], generator=torch.Generator().manual_seed(0) )
我調(diào)用torch.utils.data import random_split函數(shù)對(duì)數(shù)據(jù)集進(jìn)行了切割，使得數(shù)據(jù)量減少，提升了運(yùn)行速率。
二、進(jìn)行數(shù)據(jù)處理變換操作
在torch.transforms中提供了豐富的類(lèi)對(duì)載入的數(shù)據(jù)進(jìn)行變換。我們知道，在計(jì)算機(jī)視覺(jué)中處理的數(shù)據(jù)集有很大一部分是圖片類(lèi)型的，而在PyTorch中實(shí)際進(jìn)行計(jì)算的是Tensor數(shù)據(jù)類(lèi)型的變量，所以我們首先需要解決的是數(shù)據(jù)類(lèi)型轉(zhuǎn)換的問(wèn)題
對(duì)數(shù)據(jù)進(jìn)行載入及有相應(yīng)變化的代碼如下：
transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5])] )
我們可以將以上代碼中的torchvision.transforms.Compose類(lèi)看成一種容器，它能夠同時(shí)對(duì)多種數(shù)據(jù)變換進(jìn)行組合。傳入的參數(shù)是一個(gè)列表，列表中的元素就開(kāi)始對(duì)載入的數(shù)據(jù)進(jìn)行各種變換操作。例如本例：
①轉(zhuǎn)化數(shù)據(jù)類(lèi)型為T(mén)ensor（張量）
②對(duì)均值(mean)和標(biāo)準(zhǔn)差(std)均為0.5的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化變化
三、數(shù)據(jù)預(yù)覽測(cè)試和數(shù)據(jù)裝載
數(shù)據(jù)下載完成并載入之后，我們還需對(duì)數(shù)據(jù)進(jìn)行裝載。
我們可以將數(shù)據(jù)的載入理解為對(duì)圖片的處理，在處理完成后，我們就需要將這些圖片打包好送給我們的模型進(jìn)行訓(xùn)練了，而裝載就是這個(gè)打包的過(guò)程
代碼片如下：
data_loader_train = torch.utils.data.DataLoader(dataset=data_train, batch_size=4, shuffle=True) data_loader_test = torch.utils.data.DataLoader(dataset=data_test, batch_size=4, shuffle=True)
對(duì)數(shù)據(jù)的裝載使用的是torch.utils.data.DataLoader類(lèi)，類(lèi)中的參數(shù)：
①batch_size參數(shù)設(shè)置了每個(gè)包中的圖片數(shù)據(jù)個(gè)數(shù)，代碼中的值是4（此處如果電腦配置不是很高或者想讓程序跑的快一點(diǎn)的話可以稍微調(diào)低，原本為64，此處我將其調(diào)為4）
②dataset參數(shù)用于指定我們載入的數(shù)據(jù)集的名稱(chēng)。 ③將shuffle參數(shù)設(shè)置為T(mén)rue，在裝載的過(guò)程中會(huì)將數(shù)據(jù)隨機(jī)打亂順序并進(jìn)行打包。
在裝載完成后，我們可以選取其中一個(gè)批次的數(shù)據(jù)進(jìn)行預(yù)覽。進(jìn)行數(shù)據(jù)預(yù)覽的代碼如下：
images, labels = next(iter(data_loader_train)) img = torchvision.utils.make_grid(images) img = img.numpy().transpose(1, 2, 0) std = [0.5] mean = [0.5] img = img * std + mean print([labels[i] for i in range(4)]) plt.imshow(img) plt.show()
在以上代碼中使用了iter和next來(lái)獲取一個(gè)批次的圖片數(shù)據(jù)(images)和其對(duì)應(yīng)的圖片標(biāo)簽(abels)。
然后使用torchvision.utils中的make_grid類(lèi)方法將一個(gè)批次的圖片構(gòu)造成網(wǎng)格模式。
需要傳遞給torchvision.utils.make_grid的參數(shù)就是一個(gè)批次的裝載數(shù)據(jù)，每個(gè)批次的裝載數(shù)據(jù)都是4維的，維度的構(gòu)成從前往后分別為batch_size、channel、height、weight，分別對(duì)應(yīng)一個(gè)批次中的數(shù)據(jù)個(gè)數(shù)、每張圖片的色彩通道數(shù)、每張圖片的高度和寬度。
在通過(guò)torchvision.utils.make_grid之后，圖片的維度就變成了（channel，height，weight），這個(gè)批次的圖片全部被整合到了一起，所以在這個(gè)維度中對(duì)應(yīng)的值也和之前不一樣了，但是色彩通道數(shù)保持不變。
若我們想使用Matplotlib將數(shù)據(jù)顯示成正常的圖片形式，則使用的數(shù)據(jù)首先必須是數(shù)組，其次這個(gè)數(shù)組的維度必須是（height、weight、channel）,即色彩通道數(shù)在最后面。
所以我們要通過(guò)numpy和transpose完成原始數(shù)據(jù)類(lèi)型的轉(zhuǎn)換和數(shù)據(jù)維度的交換，這樣才能夠使用Matplotlib繪制出正確的圖像。
在完成數(shù)據(jù)預(yù)覽的代碼中，我們先打印輸出了這個(gè)批次中的數(shù)據(jù)的全部標(biāo)簽，然后才對(duì)這個(gè)批次中的所有圖片數(shù)據(jù)進(jìn)行顯示。結(jié)果如下：
效果圖如下，可以看到，打印輸出的首先是4張圖片對(duì)應(yīng)的標(biāo)簽，然后是4張圖片的預(yù)覽效果
plt.show()的話如果是使用PyCham編譯的話一定要加上去，不然會(huì)出現(xiàn)顯示不出圖像的情況
plt.show()
四、模型搭建和參數(shù)優(yōu)化
在順利完成數(shù)據(jù)裝載之后，我們就可以開(kāi)始編寫(xiě)卷積神經(jīng)網(wǎng)絡(luò)的搭建和參數(shù)優(yōu)化的代碼了。
卷積層使用torch.nn.Conv2d類(lèi)方法來(lái)搭建；
激活層使用torch.nn.ReLU()類(lèi)方法來(lái)搭建；
池化層使用torch.nn.MaxPool2d類(lèi)方法來(lái)搭建；
全連接層使用torch.nn.Linear類(lèi)方法來(lái)搭建
實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型搭建的代碼如下：
class Model(torch.nn.Module): def __init__(self): super(Model, self).__init__() self.conv1 = torch.nn.Sequential( torch.nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1), torch.nn.ReLU(), torch.nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1), torch.nn.ReLU(), torch.nn.MaxPool2d(stride=2, kernel_size=2) ) self.dense = torch.nn.Sequential( torch.nn.Linear(14 * 14 * 128, 1024), torch.nn.ReLU(), torch.nn.Dropout(p=0.5), torch.nn.Linear(1024, 10) ) def forward(self, x): x = self.conv1(x) # 卷積處理 x = x.view(-1, 14*14*128) # 對(duì)參數(shù)實(shí)行扁平化處理 x = self.dense(x) return x
我們選擇搭建一個(gè)在結(jié)構(gòu)層次上有所簡(jiǎn)化的卷積神經(jīng)網(wǎng)絡(luò)模型，在結(jié)構(gòu)上使用了兩個(gè)卷積層：一個(gè)最大池化層和兩個(gè)全連接層
torch.nn.Conv2d():用于搭建卷積神經(jīng)網(wǎng)絡(luò)的卷積層，主要的輸入?yún)?shù)有輸入通道數(shù)、輸出通道數(shù)、卷積核大小、卷積核移動(dòng)步長(zhǎng)和Padding值。其中，
輸入通道數(shù)的數(shù)據(jù)類(lèi)型是整型，用于確定輸入數(shù)據(jù)的層數(shù)；
輸出通道數(shù)的數(shù)據(jù)類(lèi)型也是整型，用于確定輸出數(shù)據(jù)的層數(shù)；
卷積核大小的數(shù)據(jù)類(lèi)型是整型，用于確定卷積核的大??；
卷積核移動(dòng)步長(zhǎng)的數(shù)據(jù)類(lèi)型是整型，用于確定卷積核每次滑動(dòng)的步長(zhǎng)；
Paddingde的數(shù)據(jù)類(lèi)型是整型，值為0時(shí)代表不進(jìn)行邊界像素的填充，如果值大于0，那么增加數(shù)字所對(duì)應(yīng)的邊界像素層數(shù)。
torch.nn.MaxPool2d():用于實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)中的最大池化層，主要的輸入?yún)?shù)時(shí)池化窗口的大小、池化窗口移動(dòng)步長(zhǎng)和Paddingde值。
同樣：
池化窗口大小的數(shù)據(jù)類(lèi)型是整型，用于確定池化窗口的大小。
池化窗口步長(zhǎng)的數(shù)據(jù)類(lèi)型也是整型，用于確定池化窗口每次移動(dòng)的步長(zhǎng)。
Paddingde值和在torch.nn.Conv2d中定義的Paddingde值的用法和意義時(shí)一樣的。
torch.nn.Dropout():torch.nn.Dropout類(lèi)用于防止卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過(guò)程中發(fā)生過(guò)擬合，其工作原理簡(jiǎn)單來(lái)說(shuō)就是在模型訓(xùn)練的過(guò)程中，以一定的隨機(jī)概率將卷積神經(jīng)網(wǎng)絡(luò)模型的部分參數(shù)歸零，以達(dá)到減少相鄰兩層神經(jīng)連接的目的。
代碼前向傳播forward函數(shù)中的內(nèi)容：
首先，經(jīng)過(guò)self.conv1進(jìn)行卷積處理；然后進(jìn)行x.view(-1 ,14 * 14 *128)，對(duì)參數(shù)實(shí)現(xiàn)扁平化因?yàn)橹缶o挨著就是全連接層，所以如果不進(jìn)行扁平化處理，則全連接層的實(shí)際輸出的參數(shù)維度和其定義輸入的維度將不匹配，程序會(huì)報(bào)錯(cuò)；最后，通過(guò)self.dense定義的全連接進(jìn)行最后的分類(lèi)。
在編輯完搭建卷積神經(jīng)網(wǎng)絡(luò)模型的代碼之后，我們就可以開(kāi)始對(duì)模型進(jìn)行訓(xùn)練和對(duì)參數(shù)進(jìn)行優(yōu)化了。首先，定義在訓(xùn)練之前使用哪種損失函數(shù)和優(yōu)化函數(shù)：
model = Model() cost = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters()) # 損失函數(shù)： 交叉熵 # 優(yōu)化函數(shù)： Adam自適應(yīng)優(yōu)化算法，需要優(yōu)化的參數(shù)實(shí)在Model中生成的全部參數(shù)， #因?yàn)闆](méi)有定義學(xué)習(xí)速率的值，所以使用默認(rèn)值
最后，卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練和參數(shù)優(yōu)化的代碼如下：
epochs_n = 5
for epoch in range(epochs_n):
running_loss = 0.0
running_correct = 0
print("Epoch{}/{}".format(epoch, epochs_n))
print("-" * 10)
for data in data_loader_train:
X_train, y_train = data
X_train, y_train = Variable(X_train), Variable(y_train)
outputs = model(X_train)
_,pred = torch.max(outputs.data, 1)
optimizer.zero_grad()
loss = cost(outputs, y_train)
loss.backward()
optimizer.step()
running_loss += loss.data
running_correct += torch.sum(pred == y_train.data)
testing_correct = 0
for data in data_loader_test:
X_test, y_test = data
X_test, y_test = Variable(X_test), Variable(y_test)
outputs = model(X_test)
_, pred = torch.max(outputs.data, 1)
testing_correct += torch.sum(pred == y_test.data)
print("Loss is:{:.4f},Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss / len(data_train),100 * running_correct / len(data_train),100 * testing_correct / len(data_test)))
關(guān)于模型搭建的改動(dòng)
在此處我對(duì)上面模型進(jìn)行了優(yōu)化改動(dòng)，大大優(yōu)化了運(yùn)行的時(shí)間，但是對(duì)應(yīng)也減少了一些訓(xùn)練精度。
原理就是，卷積層的運(yùn)算量不會(huì)太大，但全連接層的運(yùn)算量比較大，所以降低全連接的參數(shù)量，以及降低圖像特征圖的尺寸
class Model(torch.nn.Module): def __init__(self): super(Model, self).__init__() self.conv1 = torch.nn.Sequential( torch.nn.Conv2d(1, 64, kernel_size=3, stride=2, padding=1), torch.nn.ReLU(), torch.nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1), torch.nn.ReLU(), # torch.nn.MaxPool2d(stride=2, kernel_size=2) ) self.dense = torch.nn.Sequential( # torch.nn.Linear(14 * 14 * 128, 1024), torch.nn.Linear(7 * 7 * 128, 512), torch.nn.ReLU(), # torch.nn.Dropout(p=0.5), torch.nn.Dropout(p=0.8), torch.nn.Linear(512, 10) ) def forward(self, x): x = self.conv1(x) # 卷積處理 # x = x.view(-1, 14*14*128) # 對(duì)參數(shù)實(shí)行扁平化處理 x = x.view(-1, 7*7*128) # 對(duì)參數(shù)實(shí)行扁平化處理 x = self.dense(x) return x
為了驗(yàn)證我們訓(xùn)練的模型是不是真的已如結(jié)果顯示的一樣準(zhǔn)確，則最好的方法就是隨機(jī)選取一部分測(cè)試集中的圖片，用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)，看看和真實(shí)值有多大偏差，并對(duì)結(jié)果進(jìn)行可視化，測(cè)試的代碼如下：
X_test, y_test = next(iter(data_loader_test))
inputs = Variable(X_test)
pred = model(inputs)
_, pred = torch.max(pred,1)
print("Predict Label is:", [i for i in pred.data])
print("Real Label is:", [i for i in y_test])
img = torchvision.utils.make_grid(X_test)
img = img.numpy().transpose(1,2,0)
std = [0.5, 0.5, 0.5]
mean = [0.5, 0.5, 0.5]
img = img*std+mean
plt.imshow(img)
plt.show()
記得末尾一定加上plt.show()
用于測(cè)試的數(shù)據(jù)標(biāo)簽結(jié)果輸出如下：
在輸出結(jié)果中
第1個(gè)結(jié)果是我們訓(xùn)練好的模型的預(yù)測(cè)值，第2個(gè)結(jié)果是這4個(gè)測(cè)試數(shù)據(jù)的真實(shí)值。
對(duì)測(cè)試數(shù)據(jù)進(jìn)行可視化，如下圖所示：
可以看到，在上圖可視化的這部分測(cè)試集圖片，模型的預(yù)測(cè)結(jié)果和真實(shí)結(jié)果是完全一致的。當(dāng)然如果想選取更多的測(cè)試集進(jìn)行可視化，則只需將batch_size設(shè)置的更大，但考慮對(duì)應(yīng)程序的運(yùn)行速度將會(huì)略微降低
總代碼：
import torch
import numpy
import torchvision
import matplotlib.pyplot as plt
from torchvision import datasets, transforms # torchvision包的主要功能是實(shí)現(xiàn)數(shù)據(jù)的處理、導(dǎo)入和預(yù)覽等
from torch.autograd import Variable
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5])])
data_train = datasets.MNIST(
transform=transform,
root="./data/",
train=True,
download=True
)
data_test = datasets.MNIST(
root="./data/",
transform=transform,
train=True,
download=False
)
from torch.utils.data import random_split
data_train, _ = random_split(
dataset=data_train,
lengths=[1000, 59000],
generator=torch.Generator().manual_seed(0)
)
data_test, _ = random_split(
dataset=data_test,
lengths=[1000, 59000],
generator=torch.Generator().manual_seed(0)
)
data_loader_train = torch.utils.data.DataLoader(dataset=data_train,
batch_size=4,
shuffle=True)
data_loader_test = torch.utils.data.DataLoader(dataset=data_test,
batch_size=4,
shuffle=True)
# images, labels = next(iter(data_loader_train))
#
# img = torchvision.utils.make_grid(images)
# img = img.numpy().transpose(1, 2, 0)
#
# std = [0.5]
# mean = [0.5]
# img = img * std + mean
#
# print([labels[i] for i in range(64)])
# plt.imshow(img)
# plt.show()
# class Model(torch.nn.Module):
#
# def __init__(self):
#super(Model, self).__init__()
#self.conv1 = torch.nn.Sequential(
# torch.nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1),
# torch.nn.ReLU(),
# torch.nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
# torch.nn.ReLU(),
# torch.nn.MaxPool2d(stride=2, kernel_size=2)
#)
#
#self.dense = torch.nn.Sequential(
# torch.nn.Linear(14 * 14 * 128, 1024),
# torch.nn.ReLU(),
# torch.nn.Dropout(p=0.5),
# torch.nn.Linear(1024, 10)
#)
#
# def forward(self, x):
#x = self.conv1(x) # 卷積處理
#x = x.view(-1, 14*14*128) # 對(duì)參數(shù)實(shí)行扁平化處理
#x = self.dense(x)
#return x
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
self.conv1 = torch.nn.Sequential(
torch.nn.Conv2d(1, 64, kernel_size=3, stride=2, padding=1),
torch.nn.ReLU(),
torch.nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1),
torch.nn.ReLU(),
# torch.nn.MaxPool2d(stride=2, kernel_size=2)
)
self.dense = torch.nn.Sequential(
# torch.nn.Linear(14 * 14 * 128, 1024),
torch.nn.Linear(7 * 7 * 128, 512),
torch.nn.ReLU(),
# torch.nn.Dropout(p=0.5),
torch.nn.Dropout(p=0.8),
torch.nn.Linear(512, 10)
)
def forward(self, x):
x = self.conv1(x) # 卷積處理
# x = x.view(-1, 14*14*128) # 對(duì)參數(shù)實(shí)行扁平化處理
x = x.view(-1, 7 * 7 * 128) # 對(duì)參數(shù)實(shí)行扁平化處理
x = self.dense(x)
return x
model = Model()
cost = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())
epochs_n = 5
for epoch in range(epochs_n):
running_loss = 0.0
running_correct = 0
print("Epoch{}/{}".format(epoch, epochs_n))
print("-" * 10)
for data in data_loader_train:
X_train, y_train = data
X_train, y_train = Variable(X_train), Variable(y_train)
outputs = model(X_train)
_, pred = torch.max(outputs.data, 1)
optimizer.zero_grad()
loss = cost(outputs, y_train)
loss.backward()
optimizer.step()
running_loss += loss.data
running_correct += torch.sum(pred == y_train.data)
testing_correct = 0
for data in data_loader_test:
X_test, y_test = data
X_test, y_test = Variable(X_test), Variable(y_test)
outputs = model(X_test)
_, pred = torch.max(outputs.data, 1)
testing_correct += torch.sum(pred == y_test.data)
print("Loss is:{:.4f},Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss / len(data_train),
100 * running_correct / len(
data_train),
100 * testing_correct / len(
data_test)))
X_test, y_test = next(iter(data_loader_test))
inputs = Variable(X_test)
pred = model(inputs)
_, pred = torch.max(pred, 1)
print("Predict Label is:", [i for i in pred.data])
print("Real Label is:", [i for i in y_test])
img = torchvision.utils.make_grid(X_test)
img = img.numpy().transpose(1, 2, 0)
std = [0.5, 0.5, 0.5]
mean = [0.5, 0.5, 0.5]
img = img * std + mean
plt.imshow(img)
plt.show()
測(cè)試
最后，關(guān)于這類(lèi)代碼的運(yùn)行時(shí)間的需求都是巨大的，所以短時(shí)間內(nèi)出不來(lái)很正常，盡量別中途中斷程序，若你想檢測(cè)程序是否運(yùn)行：
epochs_n = 5
for epoch in range(epochs_n):
running_loss = 0.0
running_correct = 0
print("Epoch{}/{}".format(epoch, epochs_n))
print("-" * 10)
iter = 0
for data in data_loader_train:
iter+=1
print(iter)
X_train, y_train = data
X_train, y_train = Variable(X_train), Variable(y_train)
outputs = model(X_train)
_, pred = torch.max(outputs.data, 1)
optimizer.zero_grad()
loss = cost(outputs, y_train)
loss.backward()
optimizer.step()
running_loss += loss.data
running_correct += torch.sum(pred == y_train.data)
testing_correct = 0
for data in data_loader_test:
X_test, y_test = data
X_test, y_test = Variable(X_test), Variable(y_test)
outputs = model(X_test)
_, pred = torch.max(outputs.data, 1)
testing_correct += torch.sum(pred == y_test.data)
print("Loss is:{:.4f},Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss / len(data_train),
100 * running_correct / len(
data_train),
100 * testing_correct / len(
data_test)))
你可以在此處加上一個(gè)int型的測(cè)試變量iter，通過(guò)觀察iter是否累加迭代來(lái)判斷程序是否繼續(xù)在運(yùn)行
總結(jié)
到此這篇關(guān)于PyTorch簡(jiǎn)單手寫(xiě)數(shù)字識(shí)別的文章就介紹到這了,更多相關(guān)PyTorch手寫(xiě)數(shù)字識(shí)別內(nèi)容請(qǐng)搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來(lái)源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來(lái)源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來(lái)源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來(lái)，僅供學(xué)習(xí)參考，不代表本站立場(chǎng)，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信