基于MNIST的手写数字识别

鹤入云霄

已于 2024-04-21 19:36:32 修改

阅读量870

点赞数 5

分类专栏：深度学习文章标签：深度学习人工智能 cnn

于 2024-04-21 15:30:52 首次发布

深度学习专栏收录该内容

6 篇文章

订阅专栏

本文详细介绍了如何在Python中使用PyTorch库基于MNIST数据集训练一个卷积神经网络进行手写数字识别，包括数据预处理、网络结构定义、损失函数选择、训练和测试过程，同时对比了在GPU和CPU上的训练效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上次我们基于CIFAR-10训练一个图像分类器，梳理了一下训练模型的全过程，并且对卷积神经网络有了一定的理解，我们再在GPU上搭建一个手写的数字识别cnn网络，加深巩固一下

步骤

加载数据集
定义神经网络
定义损失函数
训练网络
测试网络

MNIST数据集简介

MINIST是一个手写数字数据库（官网地址：http://yann.lecun.com/exdb/mnist/），它有6w张训练样本和1w张测试样本，每张图的像素尺寸为28*28，如下图一共4个图片，这些图片文件均被保存为二进制格式

训练全过程

1.加载数据集

import torch
import torchvision
from torchvision import transforms

trainset = torchvision.datasets.MNIST(
    root='./data',
    train=True,
    download=True,
    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ]))
trainloader = torch.utils.data.DataLoader(trainset,
                                          batch_size=64,
                                          shuffle=True
                                          )

testset = torchvision.datasets.MNIST('./data', train=False, transform=transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
]))
test_loader = torch.utils.data.DataLoader(testset
                                          , batch_size=64, shuffle=True)

展示一些训练图片