用Pytorch训练CNN(数据集MNIST,使用GPU的方法)


Posted in Python onAugust 19, 2019

听说pytorch使用比TensorFlow简单,加之pytorch现已支持windows,所以今天装了pytorch玩玩,第一件事还是写了个简单的CNN在MNIST上实验,初步体验的确比TensorFlow方便。

参考代码(在莫烦python的教程代码基础上修改)如下:

import torch 
import torch.nn as nn 
from torch.autograd import Variable 
import torch.utils.data as Data 
import torchvision 
import time
#import matplotlib.pyplot as plt 
 
torch.manual_seed(1) 
 
EPOCH = 1 
BATCH_SIZE = 50 
LR = 0.001 
DOWNLOAD_MNIST = False 
if_use_gpu = 1
 
# 获取训练集dataset 
training_data = torchvision.datasets.MNIST( 
       root='./mnist/', # dataset存储路径 
       train=True, # True表示是train训练集,False表示test测试集 
       transform=torchvision.transforms.ToTensor(), # 将原数据规范化到(0,1)区间 
       download=DOWNLOAD_MNIST, 
       ) 
 
# 打印MNIST数据集的训练集及测试集的尺寸 
print(training_data.train_data.size()) 
print(training_data.train_labels.size()) 
# torch.Size([60000, 28, 28]) 
# torch.Size([60000]) 
 
#plt.imshow(training_data.train_data[0].numpy(), cmap='gray') 
#plt.title('%i' % training_data.train_labels[0]) 
#plt.show() 
 
# 通过torchvision.datasets获取的dataset格式可直接可置于DataLoader 
train_loader = Data.DataLoader(dataset=training_data, batch_size=BATCH_SIZE, 
                shuffle=True) 
 
# 获取测试集dataset 

test_data = torchvision.datasets.MNIST( 
       root='./mnist/', # dataset存储路径 
       train=False, # True表示是train训练集,False表示test测试集 
       transform=torchvision.transforms.ToTensor(), # 将原数据规范化到(0,1)区间 
       download=DOWNLOAD_MNIST, 
       ) 
# 取前全部10000个测试集样本 
test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1).float(), requires_grad=False)
#test_x = test_x.cuda()
## (~, 28, 28) to (~, 1, 28, 28), in range(0,1) 
test_y = test_data.test_labels
#test_y = test_y.cuda() 
class CNN(nn.Module): 
  def __init__(self): 
    super(CNN, self).__init__() 
    self.conv1 = nn.Sequential( # (1,28,28) 
           nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5, 
                stride=1, padding=2), # (16,28,28) 
    # 想要con2d卷积出来的图片尺寸没有变化, padding=(kernel_size-1)/2 
           nn.ReLU(), 
           nn.MaxPool2d(kernel_size=2) # (16,14,14) 
           ) 
    self.conv2 = nn.Sequential( # (16,14,14) 
           nn.Conv2d(16, 32, 5, 1, 2), # (32,14,14) 
           nn.ReLU(), 
           nn.MaxPool2d(2) # (32,7,7) 
           ) 
    self.out = nn.Linear(32*7*7, 10) 
 
  def forward(self, x): 
    x = self.conv1(x) 
    x = self.conv2(x) 
    x = x.view(x.size(0), -1) # 将(batch,32,7,7)展平为(batch,32*7*7) 
    output = self.out(x) 
    return output 
 
cnn = CNN() 
if if_use_gpu:
  cnn = cnn.cuda()

optimizer = torch.optim.Adam(cnn.parameters(), lr=LR) 
loss_function = nn.CrossEntropyLoss() 
 


for epoch in range(EPOCH): 
  start = time.time() 
  for step, (x, y) in enumerate(train_loader): 
    b_x = Variable(x, requires_grad=False) 
    b_y = Variable(y, requires_grad=False) 
    if if_use_gpu:
      b_x = b_x.cuda()
      b_y = b_y.cuda()
 
    output = cnn(b_x) 
    loss = loss_function(output, b_y) 
    optimizer.zero_grad() 
    loss.backward() 
    optimizer.step() 
 
    if step % 100 == 0: 
      print('Epoch:', epoch, '|Step:', step, 
         '|train loss:%.4f'%loss.data[0]) 
  duration = time.time() - start 
  print('Training duation: %.4f'%duration)
  
cnn = cnn.cpu()
test_output = cnn(test_x) 
pred_y = torch.max(test_output, 1)[1].data.squeeze()
accuracy = sum(pred_y == test_y) / test_y.size(0) 
print('Test Acc: %.4f'%accuracy)

以上这篇用Pytorch训练CNN(数据集MNIST,使用GPU的方法)就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python def函数的定义、使用及参数传递实现代码
Aug 10 Python
Python的条件语句与运算符优先级详解
Oct 13 Python
python实现网站的模拟登录
Jan 04 Python
Python基于socket实现简单的即时通讯功能示例
Jan 16 Python
Python实现的栈(Stack)
Jan 26 Python
Php多进程实现代码
May 07 Python
python3.6.3+opencv3.3.0实现动态人脸捕获
May 25 Python
Python 实现文件打包、上传与校验的方法
Feb 13 Python
numpy中的ndarray方法和属性详解
May 27 Python
PyQt5高级界面控件之QTableWidget的具体使用方法
Feb 23 Python
基于Python的身份证验证识别和数据处理详解
Nov 14 Python
Python运算符+与+=的方法实例
Feb 18 Python
python opencv实现证件照换底功能
Aug 19 #Python
解决pytorch GPU 计算过程中出现内存耗尽的问题
Aug 19 #Python
将Pytorch模型从CPU转换成GPU的实现方法
Aug 19 #Python
pytorch 使用单个GPU与多个GPU进行训练与测试的方法
Aug 19 #Python
在pytorch中为Module和Tensor指定GPU的例子
Aug 19 #Python
pytorch使用指定GPU训练的实例
Aug 19 #Python
关于pytorch多GPU训练实例与性能对比分析
Aug 19 #Python
You might like
深入理解PHP之require/include顺序 推荐
2011/01/02 PHP
php中用数组的方法设置cookies
2011/04/21 PHP
php实现单链表的实例代码
2013/03/22 PHP
php多文件上传实现代码
2014/02/20 PHP
php实现监控varnish缓存服务器的状态
2014/12/30 PHP
php中文繁体和简体相互转换的方法
2015/03/21 PHP
php使用指定编码导出mysql数据到csv文件的方法
2015/03/31 PHP
PHP 实现页面静态化的几种方法
2017/07/23 PHP
PHP与以太坊交互详解
2018/08/24 PHP
解决FireFox下[使用event很麻烦]的问题
2006/11/26 Javascript
js textarea自动增高并隐藏滚动条
2009/12/16 Javascript
jquery keypress,keyup,onpropertychange键盘事件
2010/06/25 Javascript
6个DIV 135或246间隔一秒轮番显示效果
2010/07/24 Javascript
文字不间断滚动(上下左右)实例代码
2013/04/21 Javascript
推荐一款jQuery插件模板
2015/01/09 Javascript
JavaScript随机打乱数组顺序之随机洗牌算法
2016/08/02 Javascript
VueJs与ReactJS和AngularJS的异同点
2016/12/12 Javascript
jQuery插件FusionCharts实现的MSBar3D图效果示例【附demo源码】
2017/03/23 jQuery
深入理解Vue官方文档梳理之全局API
2017/11/22 Javascript
vue-cli配置环境变量的方法
2018/07/09 Javascript
javascript关于“时间”的一次探索
2019/07/24 Javascript
Vue中添加滚动事件设置的方法详解
2020/09/14 Javascript
解决Mint-ui 框架Popup和Datetime Picker组件滚动穿透的问题
2020/11/04 Javascript
在vs code 中如何创建一个自己的 Vue 模板代码
2020/11/10 Javascript
python获得图片base64编码示例
2014/01/16 Python
python实现获取客户机上指定文件并传输到服务器的方法
2015/03/16 Python
Python编程中字符串和列表的基本知识讲解
2015/10/14 Python
python使用__slots__让你的代码更加节省内存
2018/09/05 Python
pygame实现飞机大战
2020/03/11 Python
我有一个char * 型指针正巧指向一些int 型变量, 我想跳过它们。 为什么如下的代码((int *)p)++; 不行?
2013/05/09 面试题
汇智创新科技发展有限公司
2015/12/06 面试题
五好关工委申报材料
2014/05/31 职场文书
流动人口婚育证明范本
2014/09/26 职场文书
2015年学校安全工作总结
2015/04/22 职场文书
离婚财产分割协议书
2015/08/11 职场文书
详细聊聊浏览器是如何看闭包的
2021/11/11 Javascript