pytorch实现CNN卷积神经网络
本文为大家讲解了pytorch实现CNN卷积神经网络，供大家参考，具体内容如下
我对卷积神经网络的一些认识
卷积神经网络是时下最为流行的一种深度学习网络，由于其具有局部感受野等特性，让其与人眼识别图像具有相似性，因此被广泛应用于图像识别中，本人是研究机械故障诊断方面的，一般利用旋转机械的振动信号作为数据。
对一维信号，通常采取的方法有两种，第一，直接对其做一维卷积，第二，反映到时频图像上，这就变成了图像识别，此前一直都在利用keras搭建网络，最近学了pytroch搭建cnn的方法，进行一下代码的尝试。所用数据为经典的minist手写字体数据集
importtorch
importtorch.nnasnn
importtorch.utils.dataasData
importtorchvision
importmatplotlib.pyplotasplt
`EPOCH=1
BATCH_SIZE=50
LR=0.001
DOWNLOAD_MNIST=True
从网上下载数据集：
```python
train_data=torchvision.datasets.MNIST(
root="./mnist/",
train=True,
transform=torchvision.transforms.ToTensor(),
download=DOWNLOAD_MNIST,
)
print(train_data.train_data.size())
print(train_data.train_labels.size())
```plt.imshow(train_data.train_data[0].numpy(),cmap='autumn')
plt.title("%i"%train_data.train_labels[0])
plt.show()
train_loader=Data.DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True)
test_data=torchvision.datasets.MNIST(root="./mnist/",train=False)
test_x=torch.unsqueeze(test_data.test_data,dim=1).type(torch.FloatTensor)[:2000]/255.
test_y=test_data.test_labels[:2000]
classCNN(nn.Module):
def__init__(self):
super(CNN,self).__init__()
self.conv1=nn.Sequential(
nn.Conv2d(
in_channels=1,
out_channels=16,
kernel_size=5,
stride=1,
padding=2,
),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2),
)
self.conv2=nn.Sequential(
nn.Conv2d(16,32,5,1,2),
nn.ReLU(),
nn.MaxPool2d(2),
)
self.out=nn.Linear(32*7*7,10)#fullyconnectedlayer,output10classes
defforward(self,x):
x=self.conv1(x)
x=self.conv2(x)
x=x.view(x.size(0),-1)#flattentheoutputofconv2to(batch_size,32*7*7)
output=self.out(x)
returnoutput
optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)
loss_func=nn.CrossEntropyLoss()
frommatplotlibimportcm
try:fromsklearn.manifoldimportTSNE;HAS_SK=True
except:HAS_SK=False;print('Pleaseinstallsklearnforlayervisualization')
defplot_with_labels(lowDWeights,labels):
plt.cla()
X,Y=lowDWeights[:,0],lowDWeights[:,1]
forx,y,sinzip(X,Y,labels):
c=cm.rainbow(int(255*s/9));plt.text(x,y,s,backgroundcolor=c,fontsize=9)
plt.xlim(X.min(),X.max());plt.ylim(Y.min(),Y.max());plt.title('Visualizelastlayer');plt.show();plt.pause(0.01)
plt.ion()
forepochinrange(EPOCH):
forstep,(b_x,b_y)inenumerate(train_loader):
output=cnn(b_x)
loss=loss_func(output,b_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
ifstep%50==0:
test_output=cnn(test_x)
pred_y=torch.max(test_output,1)[1].data.numpy()
accuracy=float((pred_y==test_y.data.numpy()).astype(int).sum())/float(test_y.size(0))
print("Epoch:",epoch,"|trainloss:%.4f"%loss.data.numpy(),
"|testaccuracy:%.2f"%accuracy)
plt.ioff()
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。