挑战PyTorch实战,用最简的模型做一个应用

文章展示了如何使用PyTorch构建一个包含两个线性层的简单神经网络,对MNIST数据集进行训练,并在测试集上达到97.46%的准确率。接着,模型被转换为OnnxRuntime进行推理,速度提升且正确率不变。此外,该模型甚至能在.NET画图程序中运行并识别图像,强调了AI的实用性及PyTorch的易用性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、用PyTorch写一个最简的网络模型,两个线性层,够简单吧,让我么看看她能做点什么?

INPUT_SIZE = 784
HIDDEN_SIZE = 500
NUM_CLASSES = 10

class Net(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = torch.nn.Linear(INPUT_SIZE, HIDDEN_SIZE)
        self.relu = torch.nn.ReLU()
        self.fc2 = torch.nn.Linear(HIDDEN_SIZE, NUM_CLASSES)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

2、看看网络的结构,确实很简单:

 3、用MNIST数据训练一下,这么寒酸的网路,训练10轮就够了:

 4、花2.27秒用10000条测试数据跑一下,正确率97.46,这也太假了。

 

 5、用OnnxRuntime推理,正确率是一样的,时间不到1秒了,好像还有点用。

 6、用.net随便写个画图程序来测一测,居然识别出来了。

 7、结论:AI确实好用,换传统算法实现还挺麻烦;感谢PyTorch,继续学习。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值