PyTorch簡(jiǎn)單手寫數(shù)字識(shí)別的實(shí)現(xiàn)過程
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)視覺的相關(guān)問題進(jìn)行處理，就可以借用在torchvision包中提供的大量的類來完成相應(yīng)的工作。
代碼的開始部分有這兩個(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True，則說明載入的是該數(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)視覺中處理的數(shù)據(jù)集有很大一部分是圖片類型的，而在PyTorch中實(shí)際進(jìn)行計(jì)算的是Tensor數(shù)據(jù)類型的變量，所以我們首先需要解決的是數(shù)據(jù)類型轉(zhuǎn)換的問題
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)類型為Tensor（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，類中的參數(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。 ③將shuffle參數(shù)設(shè)置為True，在裝載的過程中會(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numpy和transpose完成原始數(shù)據(jù)類型的轉(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，我們就可以開始編寫卷積神經(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類方法來搭建；
激活層使用torch.nn.ReLU()類方法來搭建；
池化層使用torch.nn.MaxPool2d類方法來搭建；
全連接層使用torch.nn.Linear類方法來搭建
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類用于防止卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中發(fā)生過擬合，其工作原理簡(jiǎn)單來說就是在模型訓(xùn)練的過程中，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self.dense定義的全連接進(jìn)行最后的分類。
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]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，通過觀察iter是否累加迭代來判斷程序是否繼續(xù)在運(yùn)行
總結(jié)
到此這篇關(guān)于PyTorch簡(jiǎn)單手寫數(shù)字識(shí)別的文章就介紹到這了,更多相關(guān)PyTorch手寫數(shù)字識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要為大家詳細(xì)介紹了pygame游戲之旅的第3篇，教大家如何載入小車圖片、更新窗口，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-11-11
這篇文章主要介紹了PyQt5 如何讓界面和邏輯分離的方法，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-03-03
Python?Concurrent?Futures解鎖并行化編程的魔法示例
Python的concurrent.futures模塊為并行化編程提供了強(qiáng)大的工具,使得開發(fā)者能夠輕松地利用多核心和異步執(zhí)行的能力,本文將深入探討concurrent.futures的各個(gè)方面,從基礎(chǔ)概念到高級(jí)用法,為讀者提供全面的了解和實(shí)用的示例代碼2023-12-12
這篇文章主要介紹了Python操作列表之List.insert()方法的使用,是Python入門中的基礎(chǔ)知識(shí),需要的朋友可以參考下2015-05-05
Python在不同場(chǎng)景合并多個(gè)Excel的方法
這篇文章主要介紹了Python在不同場(chǎng)景合并多個(gè)Excel的方法，文章圍繞主題總共分享了三種方法，具有一定的參考價(jià)值，需要的小伙伴可以參考一下2022-05-05
Python面向?qū)ο箢惥帉懠?xì)節(jié)分析【類,方法,繼承,超類,接口等】
這篇文章主要介紹了Python面向?qū)ο箢惥帉懠?xì)節(jié),較為詳細(xì)的分析了Python面向?qū)ο蟪绦蛟O(shè)計(jì)中類,方法,繼承,超類,接口等相關(guān)概念、使用技巧與注意事項(xiàng),需要的朋友可以參考下2019-01-01
Python運(yùn)行報(bào)錯(cuò)UnicodeDecodeError的解決方法
本文給大家分享的是在Python項(xiàng)目中經(jīng)常遇到的關(guān)于編碼問題的一個(gè)小bug的解決方法以及分析方法，有相同遭遇的小伙伴可以來參考下2016-06-06
CSV 文件（Comma Separated Values file，即逗號(hào)分隔值文件）是一種純文本文件,它使用特定的結(jié)構(gòu)來排列表格數(shù)據(jù),這篇文章主要給大家介紹了關(guān)于Python操作CSV格式文件的相關(guān)資料,需要的朋友可以參考下2021-07-07
pymeter?是一個(gè)?Python?庫(kù),它可以以編程方式創(chuàng)建和運(yùn)行?JMeter?測(cè)試計(jì)劃,下面就跟隨小編一起來看看Python如何使用pymeter操作JMeter的吧2024-01-01
Windows下創(chuàng)建定時(shí)任務(wù)執(zhí)行Python腳本的方法實(shí)現(xiàn)
Python定時(shí)任務(wù)執(zhí)行,本文主要介紹了Windows下創(chuàng)建定時(shí)任務(wù)執(zhí)行Python腳本的方法實(shí)現(xiàn),具有一定的參考價(jià)值,感興趣的可以了解一下2023-11-11