怎么利用pytorch实现对CIFAR-10数据集的分类-创新互联
小编给大家分享一下怎么利用pytorch实现对CIFAR-10数据集的分类,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
成都创新互联公司主要从事成都做网站、网站设计、网页设计、企业做网站、公司建网站等业务。立足成都服务平罗,10余年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220步骤如下:
1.使用torchvision加载并预处理CIFAR-10数据集、
2.定义网络
3.定义损失函数和优化器
4.训练网络并更新网络参数
5.测试网络
运行环境:
windows+python3.6.3+pycharm+pytorch0.3.0 import torchvision as tv import torchvision.transforms as transforms import torch as t from torchvision.transforms import ToPILImage show=ToPILImage() #把Tensor转成Image,方便可视化 import matplotlib.pyplot as plt import torchvision import numpy as np ###############数据加载与预处理 transform = transforms.Compose([transforms.ToTensor(),#转为tensor transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5)),#归一化 ]) #训练集 trainset=tv.datasets.CIFAR10(root='/python projects/test/data/', train=True, download=True, transform=transform) trainloader=t.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=0) #测试集 testset=tv.datasets.CIFAR10(root='/python projects/test/data/', train=False, download=True, transform=transform) testloader=t.utils.data.DataLoader(testset, batch_size=4, shuffle=True, num_workers=0) classes=('plane','car','bird','cat','deer','dog','frog','horse','ship','truck') (data,label)=trainset[100] print(classes[label]) show((data+1)/2).resize((100,100)) # dataiter=iter(trainloader) # images,labels=dataiter.next() # print(''.join('11%s'%classes[labels[j]] for j in range(4))) # show(tv.utils.make_grid(images+1)/2).resize((400,100)) def imshow(img): img = img / 2 + 0.5 npimg = img.numpy() plt.imshow(np.transpose(npimg, (1, 2, 0))) dataiter = iter(trainloader) images, labels = dataiter.next() print(images.size()) imshow(torchvision.utils.make_grid(images)) plt.show()#关掉图片才能往后继续算 #########################定义网络 import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net,self).__init__() self.conv1=nn.Conv2d(3,6,5) self.conv2=nn.Conv2d(6,16,5) self.fc1=nn.Linear(16*5*5,120) self.fc2=nn.Linear(120,84) self.fc3=nn.Linear(84,10) def forward(self, x): x = F.max_pool2d(F.relu(self.conv1(x)),2) x = F.max_pool2d(F.relu(self.conv2(x)),2) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net=Net() print(net) #############定义损失函数和优化器 from torch import optim criterion=nn.CrossEntropyLoss() optimizer=optim.SGD(net.parameters(),lr=0.01,momentum=0.9) ##############训练网络 from torch.autograd import Variable import time start_time = time.time() for epoch in range(2): running_loss=0.0 for i,data in enumerate(trainloader,0): #输入数据 inputs,labels=data inputs,labels=Variable(inputs),Variable(labels) #梯度清零 optimizer.zero_grad() outputs=net(inputs) loss=criterion(outputs,labels) loss.backward() #更新参数 optimizer.step() # 打印log running_loss += loss.data[0] if i % 2000 == 1999: print('[%d,%5d] loss:%.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print('finished training') end_time = time.time() print("Spend time:", end_time - start_time)pytorch的优点
1.PyTorch是相当简洁且高效快速的框架;2.设计追求最少的封装;3.设计符合人类思维,它让用户尽可能地专注于实现自己的想法;4.与google的Tensorflow类似,FAIR的支持足以确保PyTorch获得持续的开发更新;5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单
以上是“怎么利用pytorch实现对CIFAR-10数据集的分类”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注创新互联行业资讯频道!
分享题目:怎么利用pytorch实现对CIFAR-10数据集的分类-创新互联
本文路径:http://pwwzsj.com/article/jhsij.html