柚子快報(bào)激活碼778899分享：機(jī)器學(xué)習(xí)-MNIST

Paypaymall支付出海購(gòu)綜合2025-05-05360

http://yzkb.51969.com/

前言

MNIST是pytorch框架自帶的一個(gè)手寫(xiě)0-9分類(lèi)數(shù)據(jù)集，其中訓(xùn)練集5w張，測(cè)試集1w張，每張圖片是28*28像素的單通道圖片，本文將用全連接線性神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩種方式來(lái)實(shí)現(xiàn)對(duì)MNIST數(shù)據(jù)集的分類(lèi)。

所需要的三方庫(kù)

import torch

import torch.nn as nn

import torch.optim as optim

from torch.utils.data import DataLoader

from torchvision import datasets, transforms

import matplotlib.pyplot as plt

加載數(shù)據(jù)

MNIST數(shù)據(jù)集是pytorch自帶，可通過(guò)pytorch直接下載，在下載的同時(shí)，通過(guò)transforms.ToTensor(),將數(shù)據(jù)轉(zhuǎn)成tensor數(shù)據(jù)。并使用DataLoader將數(shù)據(jù)分割成多個(gè)mini-batch,當(dāng)然這步可做可不做，本文的線性回歸方式并沒(méi)有使用DataLoader分割數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)使用了DataLoader分割數(shù)據(jù)，已做對(duì)照。

def get_data():

training_data = datasets.MNIST('../../data', train=True, download=True, transform=transforms.ToTensor())

test_data = datasets.MNIST('../../data', train=False, download=True, transform=transforms.ToTensor())

training_data = DataLoader(training_data, batch_size=64, shuffle=True)

test_data = DataLoader(test_data, batch_size=64, shuffle=True)

return training_data, test_data

training_data, test_data = get_data()

線性神經(jīng)網(wǎng)絡(luò)

構(gòu)建線性神經(jīng)網(wǎng)絡(luò)模型

nn.Sequential 是 pytorch 庫(kù)中的一個(gè)類(lèi)，它允許通過(guò)按順序堆疊多個(gè)層來(lái)創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型。它提供了一種方便的方式來(lái)定義和組織神經(jīng)網(wǎng)絡(luò)的層。

每一張圖片都是單通道28 * 28的圖片。也就是說(shuō)一個(gè)一維矩陣就可以表示一張圖片，這張圖片有28 * 28個(gè)特征，因此第一個(gè)隱藏層的輸入為28 * 28，輸出則可自定義，只是確保之后的輸出和輸入要一一對(duì)應(yīng)。因?yàn)樵摂?shù)據(jù)集有10個(gè)分類(lèi)，因此最后的輸出為10。并使用RuLU（）作為激活函數(shù)。

def create_model():

class NeuralNetwork(nn.Module):

def __init__(self):

super(NeuralNetwork, self).__init__()

self.fc = nn.Sequential(

nn.Linear(in_features=28 * 28, out_features=512),

nn.ReLU(),

nn.Linear(in_features=512, out_features=256),

nn.ReLU(),

nn.Linear(in_features=256, out_features=128),

nn.ReLU(),

nn.Linear(in_features=128, out_features=64),