Pytorch实现mnist手写数字识别

最新推荐文章于 2025-12-20 21:49:34 发布

原创

最新推荐文章于 2025-12-20 21:49:34 发布 · 378 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #python

第P1周：Pytorch实现mnist手写数字识别

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

导入库

#构建和训练神经网络
import torch
#PyTorch的神经网络模块，提供构建网络所需的类和函数
import torch.nn as nn
import matplotlib.pyplot as plt
#用于处理图像数据集的库
import torchvision
import numpy as np
#提供激活函数的库
import torch.nn.functional as F
import warnings

使用dataset下载MNIST数据集，并划分好训练集与测试集

train_data = torchvision.datasets.MNIST("data",
                                        train=True,
                                        transform = torchvision.transforms.ToTensor(),
                                        download=True)
test_data = torchvision.datasets.MNIST("data",
                                       train=False,
                                       transform=torchvision.transforms.ToTensor(),
                                       download=True)
batch_size = 32

使用数据局加载器，处理导入的数据

#是一个 PyTorch 数据加载器（DataLoader），用于加载训练数据集。通常情况下，数据加载器会将数据集分成小批量（batches）进行处理
train_d = torch.utils.data.DataLoader(train_data,
                                      batch_size = batch_size,
                                      shuffle = True)
test_d = torch.utils.data.DataLoader(test_data,
                                      batch_size = batch_size)
#iter(train_dl) 将数据加载器转换为一个迭代器（iterator），使得我们可以使用 Python 的 next() 函数来逐个访问数据加载器中的元素。
#next() 函数用于获取迭代器中的下一个元素。在这里，它被用来获取 train_dl 中的下一个批量数据。
#它将从 next() 函数返回的元素中提取出两个变量：imgs 和 labels
imgs, labels = next(iter(train_d))
"""imgs 变量将包含一个批量的图像数据，而 labels 变量将包含相应的标签数据。"""

展示一下刚刚导入的数据

#指定图片大小，图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
    #squeeze()函数的功能是从矩阵shape中，去掉维度为1的,实现维度缩减
    nping = np.squeeze(imgs.numpy())
    # 将整个figure分成2行10列，绘制第i+1个子图
    plt.subplot(2, 10