ResNet18识别FashionMNIST数据集

最新推荐文章于 2025-03-11 16:58:46 发布

Lins H

最新推荐文章于 2025-03-11 16:58:46 发布

阅读量901

点赞数 1

分类专栏：深度学习文章标签： pytorch 深度学习机器学习

本文链接：https://blog.youkuaiyun.com/Hu_Linson/article/details/121978579

版权

本文展示了如何使用18层的Residual网络结构来构建一个FashionMNIST数据集的图像识别模型。首先，导入必要的库并定义数据预处理方式，接着加载并划分训练集和测试集。然后，定义了Residual类和ResNet块结构，并构建了ResNet模型，包括全局平均池化层和全连接层。最后，通过Adam优化器进行训练，输出了训练和测试的准确性以及训练时间。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

本文使用18-layer结构

1导入常用的包

import time
import torch
import torchvision.transforms as transforms
import torch.nn as nn
import torchvision
import torch.nn.functional as F

2导入并处理数据

device =torch.device('cuda')

data_tansform={
   
    'train': transforms.Compose([
                transforms.ToTensor(),
                transforms.Resize((224,224))]
              )
    ,
    'test':transforms.Compose([
        transforms.ToTensor(),
        transforms.Resize((224,224))]
          )
}


train_data=torchvision.datasets.FashionMNIST(root='E:\PycharmProjects\data',train=True,transform=data_tansform['train'])
test_data=torchvision.datasets.FashionMNIST(root='E:\PycharmProjects\data',train=False,transform=data_tansform['test'])
print(len(train_data))
# 60000
batch_size=64
train_iter=torch.utils.data.DataLoader(train_data,batch_size,shuffle=True)
test_iter=torch.utils.data.DataLoader(