【深度学习】MNIST手写数字数据集的分类识别

news2024/12/30 3:32:03

👉博__主👈：米码收割机
👉技__能👈：C++/Python语言
👉公众号👈：测试开发自动化【获取源码+商业合作】
👉荣__誉👈：阿里云博客专家博主、51CTO技术博主
👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。

MNIST手写数字数据集的分类识别

目录

MNIST手写数字数据集的分类识别
1. 目的及目标
2. 代码实现
3. 代码功能描述
关键点
内容简介
作者简介
购买连接

1. 目的及目标

目的：为了实现对MNIST手写数字数据集的分类识别。

目标：

构建模型：使用PyTorch库定义并构建一个简单的深度学习模型（在这种情况下是一个全连接的多层感知器，MLP）。
训练模型：通过反复地在MNIST训练数据上迭代，调整模型的权重，使其能够正确分类手写数字。
评估模型：在每轮训练结束后，评估模型在MNIST测试集上的性能，以检查其泛化能力并了解其在未见过的数据上的表现。

2. 代码实现

我们可以了解到如何使用PyTorch建立、训练和评估一个基本的深度学习模型。实现一个基本的深度学习网络，我们可以使用Python的TensorFlow或PyTorch库。

首先，确保你安装了torch和torchvision：

pip install torch torchvision

深度神经网络实现，用于处理手写数字识别（MNIST数据集）：

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 500)
        self.fc2 = nn.Linear(500, 256)
        self.fc3 = nn.Linear(256, 10)

    def forward(self, x):
        x = x.view(-1, 28*28)  # 将输入扁平化
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return F.log_softmax(x, dim=1)

# 加载数据
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

test_dataset = datasets.MNIST('./data', train=False, download=True, transform=transform)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=False)

# 创建模型、优化器和损失函数
model = Net()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
criterion = nn.CrossEntropyLoss()

# 训练模型
def train(epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

# 测试模型
def test():
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            output = model(data)
            test_loss += criterion(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset), 100. * correct / len(test_loader.dataset)))

for epoch in range(1, 11):  # 训练10轮
    train(epoch)
    test()

这是一个简单的三层全连接网络，它用于MNIST手写数字识别。可以通过调整网络结构、参数和训练次数来进一步优化模型。

3. 代码功能描述

数据加载和预处理：代码使用torchvision库加载MNIST手写数字数据集，并对数据进行简单的归一化处理。
定义神经网络模型：定义了一个简单的三层全连接网络（多层感知器，MLP）来对手写数字进行分类。
定义训练函数：train函数执行以下操作：
- 设置模型为训练模式。
- 在数据加载器train_loader中遍历每个批次的数据。
- 对每个批次的数据执行前向传播。
- 计算损失（使用交叉熵损失函数）。
- 执行反向传播。
- 使用SGD优化器更新网络权重。
定义测试函数：test函数执行以下操作：
- 设置模型为评估模式。
- 在数据加载器test_loader中遍历每个批次的数据。
- 对每个批次的数据执行前向传播。
- 计算损失和预测准确性。
模型训练和评估：循环训练模型10轮，并在每轮结束时评估模型在测试数据上的性能。

总的来说，这段代码的主要功能是使用一个简单的深度学习模型（全连接网络）来进行手写数字识别。模型在MNIST数据集上进行训练，并在每轮训练后评估其在测试集上的性能。

本期好书推荐《用ChatGPT轻松玩转机器学习与深度学习》

请添加图片描述

突破传统学习束缚，借助ChatGPT的神奇力量，解锁AI无限可能！

关键点

（1）利用ChatGPT，轻松理解机器学习和深度学习的概念和技术。
（2）提供实用经验和技巧，更好地掌握机器学习和深度学习的基本原理和方法。
（3）系统全面、易于理解，不需要过多的数学背景，只需掌握基本的编程知识即可上手。

内容简介

随着机器学习和深度学习技术的不断发展和进步，它们的复杂性也在不断增强。对于初学者来说，学习这两个领域可能会遇到许多难题和挑战，如理论知识的缺乏、数据处理的困难、算法选择的不确定性等。此时，ChatGPT可以提供强有力的帮助。利用ChatGPT，读者可以更轻松地理解机器学习和深度学习的概念和技术，并解决学习过程中遇到的各种问题和疑惑。此外，ChatGPT还可以为读者提供更多的实用经验和技巧，帮助他们更好地掌握机器学习和深度学习的基本原理和方法。本书主要内容包括探索性数据分析、有监督学习（线性回归、SVM、决策树等）、无监督学习（降维、聚类等），以及深度学习的基础原理和应用等。
本书旨在为广大读者提供一个系统全面、易于理解的机器学习和深度学习入门教程。不需要过多的数学背景，只需掌握基本的编程知识即可轻松上手。

作者简介

段小手，曾供职于百度、敦煌网、慧聪网、方正集团等知名IT企业。有多年的科技项目管理及开发经验。负责的项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升专项”“北京市外贸公共服务平台”等多项政策支持。著有《深入浅出Python机器学习》《深入浅出Python量化交易实战》等著作，在与云南省公安厅合作期间，使用机器学习算法有效将某类案件发案率大幅降低。

购买连接

当当网链接：http://product.dangdang.com/29610425.html
京东的链接：https://item.jd.com/14092188.html