CNN

前期文章我们分享了tensorflow 的手写数字识别的训练以及识别过程，有网友私信是否写一下pytorch训练识别过程，本期文章我们来分享一下pytorch的手写数字训练人工智能TensorFlow（十六）MNIST手写数字识别

说到图片识别就不得不提卷积神经网络，我们会在后期详细介绍，或者参考小编往期的文章

读懂卷积神经网络

https://tensorspace.org/

pytorch自从发布了1.0版本后，得到了广大网友的欢迎与喜爱，本期我们利用pytorch来重构tensorflow的手写数字识别的代码，本期是训练篇，识别篇我们后期分享。pytorch的安装可参考《每天一分钟，python一点通》教程，有关pytorch的知识点，也会在《每天一分钟，python一点通》专栏分享，pytorch的手写数字识别，跟tensorflow代码思路几乎一样，若你了解tensorflow的代码训练过程，本期便很容易理解了

1、导入第三方库

2、设置测试数据集与训练数据集

3、提取数据集数据

31 从测试集数据中提取2000个图片数据

input height（输入通道数）

out_channels=32, filter size（卷积核大小）

stride=1, 如果想要 con2d 出来的图片长宽没有变化, （外部边缘补0）

第一层卷积

x = self.conv2(x) 展平多维的卷积图成 (batch_size, 32 * 7 * 7)

output = self.out(x) # 全连接

return output

5、训练神经网络

pytorch的训练跟tensorflow的训练类似，我们建立loss函数，建立优化器，训练的目的是使用优化器让loss梯度下降，使loss越来越小，我们每50步查看一下神经网络的训练结果

6、测试神经网络

神经网络训练完成后，我们使用测试集的数据，进行一下神经网络的测试，看看训练的结果

7、保存神经网络

最后我们保存一下神经网络，以便后期识别数字使用

以上便是整个神经网络的手写数字识别过程，我们保存了神经网络的训练参数，后期我们会是使用训练好的参数，进行神经网络的具体图识别

从训练结果看，第一次的loss很大，精度很低，随着训练的步数增加loss也越来越小，精度也越来越大

从测试集中提取了10个数据，其预测结果完全正确

http://scs.ryerson.ca/~aharley/vis/conv/

小伙伴们可以使用在线3D可视化网站，查看CNN的结构

小编开发了小程序，可以体验不同的AI工具

微&*信搜索：启示AI科技

体验不一样的AI工具

本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除