CNN 卷积神经网络 手写数字 图像识别 （深度学习）
@
目录
✌ 卷积神经网络手写数字图像识别
1、✌ 导入相关库
# pytorch框架
import torch
from torch import nn,optim
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
# 加载图片
from PIL import Image
from torchvision import models
2、✌ 导入手写数据集
# 从指定路径加载数据集，不下载，并将其转化为Tensor格式
train_dataset = datasets.MNIST(root='./',
train=True,
transform=transforms.ToTensor(),
download=False)
test_dataset = datasets.MNIST(root='./',
train=False,
transform=transforms.ToTensor(),
download=False)
3、✌ 定义数据包装器
# 每批的数据为64个，用于数据加载，shuffle为打乱数据
batch_size=64
train_loader=DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True)
test_loader=DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=True)
4、✌ 查看数据维度
# 该维度表示64张图片，每张的channel为1，宽高为28，28
for i, data in enumerate(train_loader):
inputs, labels = data
print(inputs.shape)
print(labels.shape)
break
5、✌ 定义卷积网络层
# nn.Module
class CNN(nn.Module):
# 初始化相关网络层
def __init__(self):
# 初始化父类
super(CNN,self).__init__()
# 定义第一个卷积层
self.conv1=nn.Sequential(nn.Conv2d(1,64,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
# 定义第二个卷积层
self.conv2=nn.Sequential(nn.Conv2d(64,128,5,1,2),nn.ReLU(),nn.MaxPool2d(2,2))
# 定义全连接层
self.fc1=nn.Sequential(nn.Linear(128*7*7,1000),nn.Dropout(p=0.2),nn.ReLU())
self.fc2=nn.Sequential(nn.Linear(1000,10),nn.Softmax(dim=1))
# 定义传播函数
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.reshape(x.shape[0], -1)
x = self.fc1(x)
x = self.fc2(x)
return x
6、✌ 定义模型与损失函数、优化器
# 学习率
LR=0.0003
# 定义模型
model=CNN()
# 定义损失函数：交叉熵
loss_fn=nn.CrossEntropyLoss()
# 定义优化器
optimizer=optim.Adam(model.parameters(),LR)
7、✌ 训练、测试函数
def train():
model.train()
for i,data in enumerate(train_loader):
x,y=data
# 预测结果
y_pred=model(x)
# 计算损失
loss=loss_fn(y_pred,y)
# 梯度清0
optimizer.zero_grad()
# 计算梯度
loss.backward()
# 修改权值
optimizer.step()
def test():
model.eval()
correct=0
for i,data in enumerate(train_loader):
x,y=data
y_pred=model(x)
_,pred=torch.max(y_pred,1)
correct+=(pred==y).sum()
print('准确率：',correct.item()/len(train_dataset))
correct = 0
for i, data in enumerate(test_loader):
x,y=data
y_pred=model(x)
_,pred=torch.max(y_pred,1)
correct+=(pred==y).sum()
print('准确率：',correct.item()/len(test_dataset))
8、✌ 网络迭代训练
# 训练10次模型，不断修改权重
for epoch in range(1,11):
print('epoch:',epoch)
train()
test()
9、✌ 保存模型
# 将模型的参数保存到D盘
torch.save(model.state_dict(),r'D:\res.pth')
10、✌ 加载模型
# 重新定义模型，加载保存的参数
model=CNN()
model.load_state_dict(torch.load(r'D:\res.pth'))
loss_fn=nn.CrossEntropyLoss()
optimizer=optim.Adam(model.parameters(),LR)
11、✌ 模型测试
# 将图片转化为Tensor
transform = transforms.Compose([
transforms.ToTensor()
])
# 打开图片
img=Image.open(r'C:\Users\HUAWEI\Desktop\7.jpg')
# 改变图片大小
img=img.resize((28,28))
# 图片灰度化
img=img.convert('L')
# 将图片增加一个维度，卷积层需要4维
img=transform(img).unsqueeze(0)
out=model(img)
_,pred=torch.max(out,1)
print('该数字为:',pred.item())
