# 训练网络并测试
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from model import*
import time
writer = SummaryWriter("mnist_model") # tensorboard查看运行结果
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") #有gpu则用gpu进行训练,否则用cpu
# 读取数据并转化为tensor类型
train_data = torchvision.datasets.MNIST("./dataset", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.MNIST("./dataset", train=False, transform=torchvision.transforms.ToTensor(), download=True)
# 数据长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练集的长度为:{}".format(train_data_size))
print("测试集的长度为:{}".format(test_data_size))
# 定义一次取多少张图片
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 读取CNN并令CNN在gpu上运行
mnist_model = mnist_Model()
mnist_model = mnist_model.to(device)
# 定义损失函数并令其在gpu上运行
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 定义优化器和学习率
learning_rate = 0.01
optimizer = torch.optim.SGD(mnist_model.parameters(), lr=learning_rate)
# 定义训练前初值
train_step = 0
test_step = 0
epoch = 30
start_time = time.time()
for i in range(epoch): # i为训练轮数
print("第{}轮训练开始".format(i+1))
mnist_model.train() # 置为训练状态
for data in train_dataloader: # 取数据并令其在gpu上运行 一轮为一整个训练集经过一次网络
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device) # 将图片输入模型
outputs = mnist_model(imgs)
loss = loss_fn(outputs, targets) # 计算模型输出值和目标值的交叉熵
optimizer.zero_grad() # 优化器梯度置零
loss.backward() # 反向传播
optimizer.step() # 更新参数
train_step += 1
if train_step % 100 == 0: # 输出每一轮训练中的训练情况
end_time = time.time()
print("训练次数:{},Loss:{},所用时间:{}".format(train_step, loss, end_time-start_time))
mnist_model.eval() # 置为测试状态
test_loss = 0
test_accuracy = 0 # 定义损失值和正确率
with torch.no_grad(): # 测试集不进行训练
for data in test_dataloader: # 一轮为一整个测试集经过一次网络正向
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device) # 取数据并令其在gpu上运行
outputs = mnist_model(imgs) # 将图片输入模型
loss = loss_fn(outputs, targets) # 计算损失值
test_loss += loss # 计算每一轮的总损失值
accuracy = (outputs.argmax(1) == targets).sum() # 输出10个数中的最大值是否对应targets,是则为1,否则为0,最后总和
test_accuracy += accuracy
print("整体测试集上的Loss:{},Accuracy:{}".format(test_loss, test_accuracy/test_data_size)) # 输出正确率和损失值
writer.add_scalar("test_accuracy", test_accuracy/test_data_size, i+1)
test_step += 1
没有合适的资源?快使用搜索试试~ 我知道了~
利用pytorch搭建卷积神经网络(CNN)训练简单手写数字数据集(MNIST)
共27个文件
0:8个
xml:5个
gz:4个
需积分: 0 20 下载量 76 浏览量
2023-10-25
19:52:38
上传
评论 2
收藏 57.25MB ZIP 举报
温馨提示
利用pytorch搭建卷积神经网络(CNN)训练简单手写数字数据集(MNIST)
资源推荐
资源详情
资源评论
收起资源包目录
mnist.zip (27个子文件)
mnist
runs
Oct25_17-07-04_WIN-OOFACLK4VPP
events.out.tfevents.1698224824.WIN-OOFACLK4VPP.22132.0 40B
Oct25_17-13-05_WIN-OOFACLK4VPP
events.out.tfevents.1698225185.WIN-OOFACLK4VPP.21152.0 40B
Oct25_16-42-38_WIN-OOFACLK4VPP
events.out.tfevents.1698223358.WIN-OOFACLK4VPP.24696.0 1KB
Oct25_17-14-07_WIN-OOFACLK4VPP
events.out.tfevents.1698225247.WIN-OOFACLK4VPP.15104.0 40B
Oct25_16-35-49_WIN-OOFACLK4VPP
events.out.tfevents.1698222949.WIN-OOFACLK4VPP.24760.0 448B
Oct25_17-17-37_WIN-OOFACLK4VPP
events.out.tfevents.1698225457.WIN-OOFACLK4VPP.26072.0 40.98MB
Oct25_17-11-29_WIN-OOFACLK4VPP
events.out.tfevents.1698225089.WIN-OOFACLK4VPP.17436.0 40B
dataset
MNIST
raw
t10k-images-idx3-ubyte.gz 1.57MB
train-images-idx3-ubyte 44.86MB
t10k-images-idx3-ubyte 7.48MB
train-labels-idx1-ubyte.gz 28KB
t10k-labels-idx1-ubyte 10KB
train-images-idx3-ubyte.gz 9.45MB
t10k-labels-idx1-ubyte.gz 4KB
train-labels-idx1-ubyte 59KB
model.py 617B
.idea
mnist.iml 291B
workspace.xml 10KB
misc.xml 294B
inspectionProfiles
Project_Default.xml 449B
profiles_settings.xml 174B
modules.xml 269B
.gitignore 184B
mnist_model
events.out.tfevents.1698233937.WIN-OOFACLK4VPP.26476.0 1KB
train.py 3KB
__pycache__
model.cpython-36.pyc 935B
test.py 141B
共 27 条
- 1
资源评论
憨八龟巨豆
- 粉丝: 2
- 资源: 4
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- MyBatis动态SQL是一种强大的特性,它允许我们在SQL语句中根据条件动态地添加或删除某些部分,从而实现更加灵活和高效的数据
- MyBatis动态SQL是一种强大的特性,它允许我们在SQL语句中根据条件动态地添加或删除某些部分,从而实现更加灵活和高效的数据
- MyBatis动态SQL是一种强大的特性,它允许我们在SQL语句中根据条件动态地添加或删除某些部分,从而实现更加灵活和高效的数据
- Docker在Ubuntu16.04上安装和部署Apache Storm
- test_kong.zip
- springboot权限验证学习-下
- SeetaFace6人脸质量评估C++代码实现Demo
- OCAuxiliaryTools
- 制药公司QC顶岗实习专题报告
- Rust 全面指南:从基础到高级,一网打尽 Rust 的编程知识
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功