CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
pytorch的訓練跟tensorflow的訓練類似，我們建立loss函數，建立優化器，訓練的目的是使用優化器讓loss梯度下降，使loss越來越小，我們每50步查看一下神經網絡的訓練結果
6、測試神經網絡
神經網絡訓練完成後，我們使用測試集的數據，進行一下神經網絡的測試，看看訓練的結果
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
pytorch的訓練跟tensorflow的訓練類似，我們建立loss函數，建立優化器，訓練的目的是使用優化器讓loss梯度下降，使loss越來越小，我們每50步查看一下神經網絡的訓練結果
6、測試神經網絡
神經網絡訓練完成後，我們使用測試集的數據，進行一下神經網絡的測試，看看訓練的結果
7、保存神經網絡
最後我們保存一下神經網絡，以便後期識別數字使用
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
pytorch的訓練跟tensorflow的訓練類似，我們建立loss函數，建立優化器，訓練的目的是使用優化器讓loss梯度下降，使loss越來越小，我們每50步查看一下神經網絡的訓練結果
6、測試神經網絡
神經網絡訓練完成後，我們使用測試集的數據，進行一下神經網絡的測試，看看訓練的結果
7、保存神經網絡
最後我們保存一下神經網絡，以便後期識別數字使用
以上便是整個神經網絡的手寫數字識別過程，我們保存了神經網絡的訓練參數，後期我們會是使用訓練好的參數，進行神經網絡的具體圖識別
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
pytorch的訓練跟tensorflow的訓練類似，我們建立loss函數，建立優化器，訓練的目的是使用優化器讓loss梯度下降，使loss越來越小，我們每50步查看一下神經網絡的訓練結果
6、測試神經網絡
神經網絡訓練完成後，我們使用測試集的數據，進行一下神經網絡的測試，看看訓練的結果
7、保存神經網絡
最後我們保存一下神經網絡，以便後期識別數字使用
以上便是整個神經網絡的手寫數字識別過程，我們保存了神經網絡的訓練參數，後期我們會是使用訓練好的參數，進行神經網絡的具體圖識別
從訓練結果看，第一次的loss很大，精度很低，隨著訓練的步數增加loss也越來越小，精度也越來越大
從測試集中提取了10個數據，其預測結果完全正確
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
pytorch的訓練跟tensorflow的訓練類似，我們建立loss函數，建立優化器，訓練的目的是使用優化器讓loss梯度下降，使loss越來越小，我們每50步查看一下神經網絡的訓練結果
6、測試神經網絡
神經網絡訓練完成後，我們使用測試集的數據，進行一下神經網絡的測試，看看訓練的結果
7、保存神經網絡
最後我們保存一下神經網絡，以便後期識別數字使用
以上便是整個神經網絡的手寫數字識別過程，我們保存了神經網絡的訓練參數，後期我們會是使用訓練好的參數，進行神經網絡的具體圖識別
從訓練結果看，第一次的loss很大，精度很低，隨著訓練的步數增加loss也越來越小，精度也越來越大
從測試集中提取了10個數據，其預測結果完全正確
http://scs.ryerson.ca/~aharley/vis/conv/
小夥伴們可以使用在線3D可視化網站，查看CNN的結構
小編開發了小程序，可以體驗不同的AI工具
微&*信搜索：啟示AI科技
體驗不一樣的AI工具
CNN
前期文章我們分享了tensorflow 的手寫數字識別的訓練以及識別過程，有網友私信是否寫一下pytorch訓練識別過程，本期文章我們來分享一下pytorch的手寫數字訓練人工智能TensorFlow（十六）MNIST手寫數字識別
說到圖片識別就不得不提卷積神經網絡，我們會在後期詳細介紹，或者參考小編往期的文章
https://tensorspace.org/
pytorch自從發佈了1.0版本後，得到了廣大網友的歡迎與喜愛，本期我們利用pytorch來重構tensorflow的手寫數字識別的代碼，本期是訓練篇，識別篇我們後期分享。pytorch的安裝可參考《每天一分鐘，python一點通》教程，有關pytorch的知識點，也會在《每天一分鐘，python一點通》專欄分享，pytorch的手寫數字識別，跟tensorflow代碼思路幾乎一樣，若你瞭解tensorflow的代碼訓練過程，本期便很容易理解了
1、導入第三方庫
2、設置測試數據集與訓練數據集
3、提取數據集數據
#27 使用dataloader函數從訓練集數據中提取數據，每步神經網絡提取50個數據來進行訓練
# 31 從測試集數據中提取2000個圖片數據
# 32 提取相對應的數字標籤
4、定義神經網絡
第一層卷積：
此結構時pytorch標準的模板結構，本神經網絡一共有2層，若瞭解tensorflow的小夥伴可以很容易理解此神經結構，第一層，我們輸入minist的數據集，minist的數據圖片是一維 28*28的圖片，所以第一層的輸入（1，28，28），高度為1，設置輸出16通道，使用5*5的卷積核對圖片進行卷積運算，每步移動一格，為了避免圖片尺寸變化，設置pading為2，則經過第一層卷積就輸出（16，28，28）數據格式
再經過relu與maxpooling （使用2*2卷積核）數據輸出（16，14，14）
第二層卷積：
第二層此代碼是簡化寫法，函數中的參數與第一層一一對應
nn.Conv2d(16, 32, 5, 1, 2)
in_channels=16, # input height（輸入通道數）
out_channels=32, # n_filters（卷積核，或者輸出通道數）
kernel_size=5, # filter size（卷積核大小）
stride=1, # filter movement/step（卷積部數）
padding=2, # 如果想要 con2d 出來的圖片長寬沒有變化, （外部邊緣補0）
# padding=(kernel_size-1)/2 當 stride=1
經過第二層卷積得到（32，14，14）數據結構
再次經過relu與maxpooling （使用2*2卷積核）數據輸出（32，7，7）數據結構
全連接層
最後使用nn.linear()全連接層進行數據的全連接數據結構（32*7*7,10）
10: 0--9一共10個分類
以上便是整個卷積神經網絡的結構，
大致為：input-卷積-Relu-pooling-卷積-Relu-pooling-linear-output
卷積神經網絡建完後，使用forward（）前向傳播神經網絡進行輸入圖片的訓練
def forward(self, x):
x = self.conv1(x) # 第一層卷積
x = self.conv2(x) # 第二層卷積
x = x.view(x.size(0), -1) # 展平多維的卷積圖成 (batch_size, 32 * 7 * 7)
output = self.out(x) # 全連接
return output
5、訓練神經網絡
pytorch的訓練跟tensorflow的訓練類似，我們建立loss函數，建立優化器，訓練的目的是使用優化器讓loss梯度下降，使loss越來越小，我們每50步查看一下神經網絡的訓練結果
6、測試神經網絡
神經網絡訓練完成後，我們使用測試集的數據，進行一下神經網絡的測試，看看訓練的結果
7、保存神經網絡
最後我們保存一下神經網絡，以便後期識別數字使用
以上便是整個神經網絡的手寫數字識別過程，我們保存了神經網絡的訓練參數，後期我們會是使用訓練好的參數，進行神經網絡的具體圖識別
從訓練結果看，第一次的loss很大，精度很低，隨著訓練的步數增加loss也越來越小，精度也越來越大
從測試集中提取了10個數據，其預測結果完全正確
http://scs.ryerson.ca/~aharley/vis/conv/
小夥伴們可以使用在線3D可視化網站，查看CNN的結構
小編開發了小程序，可以體驗不同的AI工具
微&*信搜索：啟示AI科技
體驗不一樣的AI工具