pytorch 利用lstm做mnist手写数字识别分类的实例
代码如下，U我认为对于新手来说最重要的是学会rnn读取数据的格式。
#-*-coding:utf-8-*-
"""
CreatedonTueOct908:53:252018
@author:www
"""
importsys
sys.path.append('..')
importtorch
importdatetime
fromtorch.autogradimportVariable
fromtorchimportnn
fromtorch.utils.dataimportDataLoader
fromtorchvisionimporttransformsastfs
fromtorchvision.datasetsimportMNIST
#定义数据
data_tf=tfs.Compose([
tfs.ToTensor(),
tfs.Normalize([0.5],[0.5])
])
train_set=MNIST('E:/data',train=True,transform=data_tf,download=True)
test_set=MNIST('E:/data',train=False,transform=data_tf,download=True)
train_data=DataLoader(train_set,64,True,num_workers=4)
test_data=DataLoader(test_set,128,False,num_workers=4)
#定义模型
classrnn_classify(nn.Module):
def__init__(self,in_feature=28,hidden_feature=100,num_class=10,num_layers=2):
super(rnn_classify,self).__init__()
self.rnn=nn.LSTM(in_feature,hidden_feature,num_layers)#使用两层lstm
self.classifier=nn.Linear(hidden_feature,num_class)#将最后一个的rnn使用全连接的到最后的输出结果
defforward(self,x):
#x的大小为（batch，1，28,28），所以我们需要将其转化为rnn的输入格式（28，batch，28）
x=x.squeeze()#去掉（batch，1,28,28）中的1，变成（batch，28,28）
x=x.permute(2,0,1)#将最后一维放到第一维，变成（batch，28,28）
out,_=self.rnn(x)#使用默认的隐藏状态，得到的out是（28，batch，hidden_feature）
out=out[-1,:,:]#取序列中的最后一个，大小是（batch，hidden_feature)
out=self.classifier(out)#得到分类结果
returnout
net=rnn_classify()
criterion=nn.CrossEntropyLoss()
optimizer=torch.optim.Adadelta(net.parameters(),1e-1)
#定义训练过程
defget_acc(output,label):
total=output.shape[0]
_,pred_label=output.max(1)
num_correct=(pred_label==label).sum().item()
returnnum_correct/total
deftrain(net,train_data,valid_data,num_epochs,optimizer,criterion):
iftorch.cuda.is_available():
net=net.cuda()
prev_time=datetime.datetime.now()
forepochinrange(num_epochs):
train_loss=0
train_acc=0
net=net.train()
forim,labelintrain_data:
iftorch.cuda.is_available():
im=Variable(im.cuda())#(bs,3,h,w)
label=Variable(label.cuda())#(bs,h,w)
else:
im=Variable(im)
label=Variable(label)
#forward
output=net(im)
loss=criterion(output,label)
#backward
optimizer.zero_grad()
loss.backward()
optimizer.step()
train_loss+=loss.item()
train_acc+=get_acc(output,label)
cur_time=datetime.datetime.now()
h,remainder=divmod((cur_time-prev_time).seconds,3600)
m,s=divmod(remainder,60)
time_str="Time%02d:%02d:%02d"%(h,m,s)
ifvalid_dataisnotNone:
valid_loss=0
valid_acc=0
net=net.eval()
forim,labelinvalid_data:
iftorch.cuda.is_available():
im=Variable(im.cuda())
label=Variable(label.cuda())
else:
im=Variable(im)
label=Variable(label)
output=net(im)
loss=criterion(output,label)
valid_loss+=loss.item()
valid_acc+=get_acc(output,label)
epoch_str=(
"Epoch%d.TrainLoss:%f,TrainAcc:%f,ValidLoss:%f,ValidAcc:%f,"
%(epoch,train_loss/len(train_data),
train_acc/len(train_data),valid_loss/len(valid_data),
valid_acc/len(valid_data)))
else:
epoch_str=("Epoch%d.TrainLoss:%f,TrainAcc:%f,"%
(epoch,train_loss/len(train_data),
train_acc/len(train_data)))
prev_time=cur_time
print(epoch_str+time_str)
train(net,train_data,test_data,10,optimizer,criterion)
以上这篇pytorch利用lstm做mnist手写数字识别分类的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。