深度學習導論（5）手寫數字識別問題步驟

• 手寫數字識別分類問題具體步驟（Training an handwritten digit classification）
• 加載數據
• 顯示訓練集中的圖片
• 定義神經網絡模型（DNN）
• 定義損失函數
• 訓練網絡模型
• 保存訓練模型
• 測試模型
• 對整個測試集進行測試
• 判斷各個類（0~9）的正確率

手寫數字識別分類問題具體步驟（Training an handwritten digit classification）

• Load and normalizing the MNIST training and test datasets using torchvision;
  使用torchvision加載并對MNIST數據集規格化;
• Define a Convolution Neural Network
  定義卷積神經網絡;
• Define a loss function
  定義損失函數;
• Train the network on the training data
  利用數據經過反復迭代（多輪epoch），訓練網絡，得到一組最優的（或者局部最優的）網絡參數（w和b）;
• Test the network on the test data
  得到網絡參數（w和b）后，模型就有了，就可以利用測試集數據去測試網絡模型。

加載數據

MNIST數據集在datasets包里面;

transforms是應用于對數據集的變換（且一般應用于對圖像的變換），通過transforms將圖像的數據轉換成tensor的數據;

MNIST已經規格化成[0, 1]，因此不需要進行規格化，但也可以規格化成[-1, 1];

‘./data’是定義一個目錄，會將下載后的數據放入到本地的‘./data’目錄里; ‘train = True’表示下載的是訓練數據; ‘download = True’表示數據將下載到本地; ‘transform = transform’表示將數據做transform變換（即前邊定義的transform = transforms.Compose([transforms.ToTensor])）;

train_loader = torch.utils.data.DataLoader(trainset, batch_size=5)表示將數據封裝成可以直接送入到網絡中的數據，batch_size = 5表示每一批數據會送入5個樣本;

采樣同樣的方法，對測試集進行封裝;

定義標簽[0~9]，方便輸出和顯示。

顯示訓練集中的圖片

imshow: 顯示單張圖片;

imshowGridImages: 顯示多張圖片（以網格的形式）;

定義神經網絡模型（DNN）

Net(nn.Module): 定義神經網絡的類，基于nn.Module模塊定義的;

__init__函數中定義了“層”;

forward函數將__init__函數中定義的“層”串接起來;

定義損失函數

nn.CrossEntropyLoss框架中已經準備好了一些損失函數，直接調用即可;

SGD為優化器，隨機梯度下降法;

訓練網絡模型

定義循環epoch;

running_loss為自己定義的損失值;

enumerate(train_loader)表示將訓練好的數據分批次取出來;

inputs, labels = data中的data實際上是batch，即一批數據，而不是單獨的樣本;

view(inputs.size(0), -1)表示將矩陣“抻平”成一個向量;

optimizer.zero_grad()表示將優化器中的參數w和b梯度的值初始化成0;

criterion為前邊定義的損失函數;

通過調用loss.backword()方法可以計算w和b的偏導數;

輸入層為28*28=784維，中間層有512維，輸出層有10維，那么:
(1) 隱藏層h_1的參數: w_1=784×512, b_1=512， h_1有幾個神經元，b_1就有幾個分量。所以h_1:784×512+512;
(2) 輸出層o的參數: w_2=512×10, b_2=10。所以o:512×10+10;

通過optimizer.step()方法可以自動地更新w和b;

保存訓練模型

保存后，日后就可以對一些模型進行測試;

測試模型

iter為迭代器;

net.load_state_dict(torch.load(PATH))表示將之前保存的數據加載到模型當中去（實際上加載的就是w和b）;

對整個測試集進行測試

no_grad表示不需要加入梯度計算，因為測試時只有前向過程，在訓練的時候才會有前向和反向的過程;

判斷各個類（0~9）的正確率

總結

以上是生活随笔為你收集整理的深度学习导论（5）手写数字识别问题步骤的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。