@
目錄
✌ 卷積神經網絡手寫數字圖像識別
1、✌ 導入相關庫
# pytorch框架
import torch
from torch import nn,optim
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
# 加載圖片
from PIL import Image
from torchvision import models
2、✌ 導入手寫數據集
# 從指定路徑加載數據集，不下載，並將其轉化為Tensor格式
train_dataset = datasets.MNIST(root='./',
train=True,
transform=transforms.ToTensor(),
download=False)
test_dataset = datasets.MNIST(root='./',
train=False,
transform=transforms.ToTensor(),
download=False)
3、✌ 定義數據包裝器
# 每批的數據為64個，用於數據加載，shuffle為打亂數據
batch_size=64
train_loader=DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True)
test_loader=DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=True)
4、✌ 查看數據維度
# 該維度表示64張圖片，每張的channel為1，寬高為28，28
for i, data in enumerate(train_loader):
inputs, labels = data
print(inputs.shape)
print(labels.shape)
break
5、✌ 定義卷積網絡層
# nn.Module
class CNN(nn.Module):
# 初始化相關網絡層
def __init__(self):
# 初始化父類
super(CNN,self).__init__()
# 定義第一個卷積層
self.conv1=nn.Sequential(nn.Conv2d(1,64,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
# 定義第二個卷積層
self.conv2=nn.Sequential(nn.Conv2d(64,128,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
# 定義全連接層
self.fc1=nn.Sequential(nn.Linear(128*7*7,1000),nn.Dropout(p=0.2),nn.ReLU())
self.fc2=nn.Sequential(nn.Linear(1000,10),nn.Softmax(dim=1))
# 定義傳播函數
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.reshape(x.shape[0], -1)
x = self.fc1(x)
x = self.fc2(x)
return x
6、✌ 定義模型與損失函數、優化器
# 學習率
LR=0.0003
# 定義模型
model=CNN()
# 定義損失函數：交叉熵
loss_fn=nn.CrossEntropyLoss()
# 定義優化器
optimizer=optim.Adam(model.parameters(),LR)
7、✌ 訓練、測試函數
def train():
model.train()
for i,data in enumerate(train_loader):
x,y=data
# 預測結果
y_pred=model(x)
# 計算損失
loss=loss_fn(y_pred,y)
# 梯度清0
optimizer.zero_grad()
# 計算梯度
loss.backward()
# 修改權值
optimizer.step()
def test():
model.eval()
correct=0
for i,data in enumerate(train_loader):
x,y=data
y_pred=model(x)
_,pred=torch.max(y_pred,1)
correct+=(pred==y).sum()
print('准確率：',correct.item()/len(train_dataset))
correct = 0
for i, data in enumerate(test_loader):
x,y=data
y_pred=model(x)
_,pred=torch.max(y_pred,1)
correct+=(pred==y).sum()
print('准確率：',correct.item()/len(test_dataset))
8、✌ 網絡迭代訓練
# 訓練10次模型，不斷修改權重
for epoch in range(1,11):
print('epoch:',epoch)
train()
test()
9、✌ 保存模型
# 將模型的參數保存到D盤
torch.save(model.state_dict(),r'D:\res.pth')
10、✌ 加載模型
# 重新定義模型，加載保存的參數
model=CNN()
model.load_state_dict(torch.load(r'D:\res.pth'))
loss_fn=nn.CrossEntropyLoss()
optimizer=optim.Adam(model.parameters(),LR)
11、✌ 模型測試
# 將圖片轉化為Tensor
transform = transforms.Compose([
transforms.ToTensor()
])
# 打開圖片
img=Image.open(r'C:\Users\HUAWEI\Desktop\7.jpg')
# 改變圖片大小
img=img.resize((28,28))
# 圖片灰度化
img=img.convert('L')
# 將圖片增加一個維度，卷積層需要4維
img=transform(img).unsqueeze(0)
out=model(img)
_,pred=torch.max(out,1)
print('該數字為:',pred.item())
