用Pytorch训练CNN(数据集MNIST,使用GPU的方法)
5星 · 超过95%的资源 39 浏览量
2020-09-18
19:43:23
上传
评论
收藏 45KB PDF 举报 
用用Pytorch训练训练CNN(数据集数据集MNIST,使用使用GPU的方法的方法)
今天小编就为大家分享一篇用Pytorch训练CNN(数据集MNIST,使用GPU的方法)，具有很好的参考价值，希望对
大家有所帮助。一起跟随小编过来看看吧
听说pytorch使用比TensorFlow简单，加之pytorch现已支持windows，所以今天装了pytorch玩玩，第一件事还是写了个简单的
CNN在MNIST上实验，初步体验的确比TensorFlow方便。
参考代码（在莫烦参考代码（在莫烦python的教程代码基础上修改）如下：的教程代码基础上修改）如下：
import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision
import time
#import matplotlib.pyplot as plt
torch.manual_seed(1)
EPOCH = 1
BATCH_SIZE = 50
LR = 0.001
DOWNLOAD_MNIST = False
if_use_gpu = 1
# 获取训练集dataset
training_data = torchvision.datasets.MNIST(
root='./mnist/', # dataset存储路径
train=True, # True表示是train训练集，False表示test测试集
transform=torchvision.transforms.ToTensor(), # 将原数据规范化到（0,1）区间
download=DOWNLOAD_MNIST,
)
# 打印MNIST数据集的训练集及测试集的尺寸
print(training_data.train_data.size())
print(training_data.train_labels.size())
# torch.Size([60000, 28, 28])
# torch.Size([60000])
#plt.imshow(training_data.train_data[0].numpy(), cmap='gray')
#plt.title('%i' % training_data.train_labels[0])
#plt.show()
# 通过torchvision.datasets获取的dataset格式可直接可置于DataLoader
train_loader = Data.DataLoader(dataset=training_data, batch_size=BATCH_SIZE,
shuffle=True)
# 获取测试集dataset
test_data = torchvision.datasets.MNIST(
root='./mnist/', # dataset存储路径
train=False, # True表示是train训练集，False表示test测试集
transform=torchvision.transforms.ToTensor(), # 将原数据规范化到（0,1）区间
download=DOWNLOAD_MNIST,
)
# 取前全部10000个测试集样本
test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1).float(), requires_grad=False)
#test_x = test_x.cuda()
## (~, 28, 28) to (~, 1, 28, 28), in range(0,1)
test_y = test_data.test_labels
#test_y = test_y.cuda()
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Sequential( # (1,28,28)
nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5,
stride=1, padding=2), # (16,28,28)
# 想要con2d卷积出来的图片尺寸没有变化, padding=(kernel_size-1)/2
nn.ReLU(),
nn.MaxPool2d(kernel_size=2) # (16,14,14)
)
self.conv2 = nn.Sequential( # (16,14,14)
nn.Conv2d(16, 32, 5, 1, 2), # (32,14,14)
nn.ReLU(),
nn.MaxPool2d(2) # (32,7,7)
)
self.out = nn.Linear(32*7*7, 10)
评论5
最新资源