|
内容简介
MNIST手写数字识别任务是入门神经网络的经典任务。构建一般的二层全连接神经网络或者是简单的卷积神经网络均可以轻松达到正确率99%加，本文在此基础之上分享进一步的模型改进逻辑，并给出对应实验结果供读者参考。
Baseline说明
首先给出可以直接运行baseline，要求安装pytorch，visdom等，有无GPU均可，若有GPU显存占用大概为0.7G。（建议支持GPU，笔者运行的时候i7-9750H 直接顶满了，最佳测试集正确率为99.53%）
模块1 引用库、定batchsize、定训练测试集
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.optim import lr_scheduler
from torchvision import datasets, transforms
from torch.autograd import Variable
import numpy as np
import time
import visdom
batch_size = 256
if torch.cuda.is_available():
use_cuda = True
else:
use_cuda = False
train_dataset = datasets.MNIST(root='./data/',
train=True,
transform=transforms.Compose([transforms.RandomRotation(10),
#transforms.RandomCrop(22,padding=3,pad_if_needed=True),
transforms.ToTensor()]),
download=True)
test_dataset = datasets.MNIST(root='./data/',
train=False,
transform=transforms.Compose([#transforms.RandomCrop(22,padding=3,pad_if_needed=True),
transforms.ToTensor()]))
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=0,)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=False,
num_workers=0,)
模块2 初始化visdom 此处给出train_loss等三个量和epoch变化的关系
vis = visdom.Visdom(port = 8008) #python -m visdom.server -p 8008 建立visdom本地虚拟服务器的代码 cmd下运行
win_curve = vis.line(
X = np.array( [0] ),
Y = np.array( [0] ),
opts = dict(
xlabel='epoch',
ylabel='train_loss')
)
win_curve2
|