问题描述：

给定手写字体的图片，人工智能自动判断这是数字几

数据来源：

MNIST数据集

代码实战：

Part 1. 准备数据集

该模块内容完成的功能：

下载MNIST数据集；
转换数据格式，使适用于pytorch；
数据分批；
将上述功能 API化

from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision.transforms import Compose,ToTensor,Normalize
def get_data(Batch_Size,train=True):#train = True则是训练集，否则是测试集#以每批Batch_size大小进行数据分批transform_fn = Compose([ToTensor(), #转张量Normalize(mean=(0.1307,),std=(0.3081))#正则化#mean和std的形状和通道数相同])dataset = MNIST( #数据集类别root=r'E:\MNIST数字识别\training', #将数据集存储在路径/files/内train =True, #True表示获取的是训练s集，否则获取的是训练集download=False,#如果没有下载过数据集，则需要标True下载transform= transform_fn #图片处理函数)data_loader = DataLoader( #分批次的数据集类别dataset, #将dataset分批batch_size = Batch_Size, #每批包含Batch_size个数据shuffle=True #随机打乱)return data_loader

Part 2. 构建模型

1. 构建模型逻辑

神经网络结构：
四层神经网络，输入层->全连接层1->全连接层2->输出层

参数设定：

激活函数： relu()

损失函数： 交叉熵损失函数

数据形状：

原始数据：[batch_size,1,28,28] # 原始数据形状

输入层：[batch_size,1x28x28] # 摊开

第一层输出：[batch_size,28] # 参数28可以自行修改

第二层输出：[batch_size,10] # 十个数字，十个类别

优化器： Adam()

import torch
from torch import nn
import torch.nn.functional as F
class Number_Identify(nn.Module):def __init__(self):super(Number_Identify,self).__init__() #继承父类init的参数self.fc1 = nn.Linear(1*28*28,28,bias=True) #第一层神经网络,输入维度为1*28*28，输出维度为28self.fc2 = nn.Linear(28,10,bias=True)#第二层神经网络，输入维度为28，输出维度为10def forward(self,x): #模型输入x，输出outx = x.view(-1,1*28*28) #view()相当于reshape(),参数为-1表示 根据情况自适应调整x = self.fc1(x) #经过第一层神经网络计算x = F.relu(x) #经过激活函数out = self.fc2(x) #经过第二层神经网络计算return F.log_softmax(out,dim=-1)

2. 模型实例化

from torch import optim
model = Number_Identify()#调用模型基底、
#criterion = nn.CrossEntropyLoss() #损失函数
optimizer = optim.Adam(model.parameters(),lr=1e-3) #优化器

Part 3. 训练模型

该模块内容完成的功能：

从MNIST数据集导入训练数据集
实现训练逻辑
将上述功能 API化

构建模型训练的逻辑过程

#训练函数
def train(epoch):model.train(mode=True) #当前模型设定为训练模式data_train = get_data(2,train=True) #获取训练数据,数据按每两个一组分批for idx,(data,target) in enumerate(data_train):optimizer.zero_grad() #清零梯度out = model(data) #向前计算：预测当前数据的结果loss = F.nll_loss(out,target) #计算带权损失loss.backward() #反向传播optimizer.step() #参数更新#训练进度展示：if idx%10000 == 0:print('\t batches[%d/%d],loss:%.6f' % (idx,len(data_train),loss.data))

模型训练

#训练
training_times = int(input("输入训练次数："))
for epoch in range(training_times): #多次训练print("Train_epoch[%d/%d]:" % (epoch+1,training_times))train(epoch)print("=========Train_epoch[%d/%d] finished======" % (epoch+1,training_times))
print("======训练完成======")

Part 4. 保存模型

torch.save(model.state_dict(),r'E:\AI_Model_save\Number_Identify\model_net.pt'
)#保存模型
torch.save(optimizer.state_dict(),r'E:\AI_Model_save\Number_Identify\model_optimiter.pt'
)#保存优化器

Part 5. 模型使用

1. 加载模型

import os
import torch
if os.path.exists(r'E:\AI_Model_save\Number_Identify'):       model.load_state_dict(torch.load(r'E:\AI_Model_save\Number_Identify\model_net.pt')) #加载模型optimizer.load_state_dict(torch.load(r'E:\AI_Model_save\Number_Identify\model_optimiter.pt'))#加载优化器print("======成功调用=======")
else: print("路径错误")

2. 模型评估

编写test函数，实现模型评估的API
实现功能：批量预测+计算正确率
API部分

import numpy as np
import torch
def test(model,data_test):loss_list = []accuracy_list = []for idx,(Input,target) in enumerate(data_test):with torch.no_grad():#预测状态，不改变梯度参数output = model(Input) #批量预测cur_loss = F.nll_loss(output,target) #计算损失loss_list.append(cur_loss)pred = output.max(dim=-1)[-1] #批量预测结果accuracy = pred.eq(target).float().mean() #计算准确率accuracy_list.append(accuracy)#这里计算的是每个batch的正确率与损失return np.mean(accuracy_list),np.mean(loss_list)

导入测试数据并测试

data_test = get_data(100,train=False) 
#读取测试数据集,每100个为一组进行测试
accuracy,loss = test(model,data_test) #测试数据
print("准确率：%.2f" % (accuracy*100),"%")
print("Loss：",loss)