PyTorch 教程-图像识别中神经网络的实现

我们的下一个任务是使用先前标记的图像来训练神经网络，以对新的测试图像进行分类。因此，我们将使用nn模块来构建我们的神经网络。

实现图像识别神经网络的步骤如下：

步骤1：

from torch import nn   class classifier (nn.Module):  

def __init__(self,input_layer,hidden_layer1,hidden_layer2,output_layer):

步骤2：

super(),__init__()  self.linear1=nn.Linear(input_layer,hidden_layer1)  self.linear2=nn.Linear(hidden_layer1,hidden_layer2)  self.linear3=nn.Linear(hidden_layer2,output_layer)   def __init__(self,input_layer,hidden_layer1,hidden_layer2,output_layer):

专属福利 
👉点击领取：最全Python资料合集

步骤3：

import torch.nn.functional as func  def forward(self,x):  

现在，传递给forward()函数的任何输入将传递给linear1对象，我们将使用relu函数而不是sigmoid。这个输出将作为输入传递到我们的第二隐藏层，并且第二隐藏层的输出将馈送到输出层，并返回最终层的输出。

注意：如果我们处理的是多类别数据集，就不会在输出层应用任何激活函数。

x=func.relu(self.linear1(x))  x=func.relu(self.linear2(x))  x=self.linear3(x)  return x

步骤4：

在下一步中，我们将设置我们的模型构造函数。根据我们的初始化器，我们必须设置输入维度、隐藏层维度和输出维度。

model=classification1(784,125,65,10)

步骤5：

criteron=nn.CrossEntropyLoss()

optimizer=torch.optim.Adam(model.parameters(),lr=0.001)

步骤6：

loss_history=[]  correct_history=[]

步骤7：

for e in range(epochs):      for input, labels in training_loader:

步骤8：

当我们迭代图像的批次时，我们必须将它们展平，并使用view方法进行形状变换。

注意：每个图像张量的形状是（1，28，28），这意味着总共有784个像素。

inputs=input.view(input.shape[0],-1)

outputs=model(inputs)

步骤9：

loss1=criteron(outputs,labels)  optimizer.zero_grad()  loss1.backward()  optimizer.step()

步骤10：

loss+=loss1.item()

epoch_loss=loss/len(training_loader)  loss_history.append(epoch_loss)

步骤11：

在接下来的步骤中，我们将找到网络的准确性。我们将初始化正确的变量并赋值为零。我们将比较模型对每个训练图像的预测与图像的实际标签，以显示在一个epoch中有多少个预测是正确的。

_,preds=torch.max(outputs,1)

步骤12：

correct+=torch.sum(preds==labels.data)

epoch_acc=correct.float()/len(training_loader)    print('training_loss:{:.4f},{:.4f}'.format(epoch_loss,epoch_acc.item()))

步骤13：

plt.plot(loss_history,label='Running Loss History')  plt.plot(correct_history,label='Running correct History')

完整代码

import torch  import matplotlib.pyplot as plt  import numpy as np  import torch.nn.functional as func  from torch import nn  from torchvision import datasets, transforms  transform1=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))])  training_dataset=datasets.MNIST(root='./data',train=True,download=True,transform=transform1)  training_loader=torch.utils.data.DataLoader(dataset=training_dataset,batch_size=100,shuffle=True)  def im_convert(tensor):      image=tensor.clone().detach().numpy()      image=image.transpose(1,2,0)      print(image.shape)      image=image*(np.array((0.5,0.5,0.5))+np.array((0.5,0.5,0.5)))      image=image.clip(0,1)      return image  dataiter=iter(training_loader)  images,labels=dataiter.next()  fig=plt.figure(figsize=(25,4))  for idx in np.arange(20):      ax=fig.add_subplot(2,10,idx+1)      plt.imshow(im_convert(images[idx]))      ax.set_title([labels[idx].item()])  class classification1(nn.Module):      def __init__(self,input_layer,hidden_layer1,hidden_layer2,output_layer):          super().__init__()          self.linear1=nn.Linear(input_layer,hidden_layer1)          self.linear2=nn.Linear(hidden_layer1,hidden_layer2)          self.linear3=nn.Linear(hidden_layer2,output_layer)      def forward(self,x):          x=func.relu(self.linear1(x))          x=func.relu(self.linear2(x))          x=self.linear3(x)          return x  model=classification1(784,125,65,10)  criteron=nn.CrossEntropyLoss()  optimizer=torch.optim.Adam(model.parameters(),lr=0.0001)  epochs=12  loss_history=[]  correct_history=[]  for e in range(epochs):      loss=0.0      correct=0.0      for input,labels in training_loader:          inputs=input.view(input.shape[0],-1)          outputs=model(inputs)          loss1=criteron(outputs,labels)          optimizer.zero_grad()          loss1.backward()          optimizer.step()          _,preds=torch.max(outputs,1)          loss+=loss1.item()          correct+=torch.sum(preds==labels.data)      else:          epoch_loss=loss/len(training_loader)          epoch_acc=correct.float()/len(training_loader)          loss_history.append(epoch_loss)          correct_history.append(epoch_acc)          print('training_loss:{:.4f},{:.4f}'.format(epoch_loss,epoch_acc.item()))

 1

热门推荐

• 好家伙，花了一个月时间，用Python写了个网易云！（文末免费领取红包封面）
• 送送送！5款红包封面等你来选！
• PyTorch 教程-图像识别中的图像转换