class MnistModel(nn.Module):
def __init__(self):#继承__init__方法
super(MnistModel, self).__init__()
self.fc1 = nn.Linear(1*28*28, 10)#最初传入的图片的像素点是1*28*28的，最后我们要收敛成10个结果
def forward(self, image):#继承前向传播的方法
image_viwed = image.view(-1, 1*28*28)#此处需要拍平
out = self.fc1(image_viwed)
return out
2.识别效果（准确率）
运行代码可以看到损失在逐渐减小，准确率在逐渐的变化，准确率在一个范围内波动。 所谓收敛，就是损失趋于稳定或者上下小型波动的一个状态，损失不再下降的时候就是最好的收敛的时候；如果损失还在下降就说明还有变好的潜力！
runfile('D:/session9/MNI/MNIST_train.py', wdir='D:/session9/MNI')
0%| | 0/1250 [00:00
二、双全连接层+激活函数
1.模型
class MnistModel(nn.Module):
def __init__(self):#继承__init__方法
super(MnistModel, self).__init__()
#self.fc1 = nn.Linear(1*28*28, 10)#最初传入的图片的像素点是1*28*28的，最后我们要收敛成10个结果
self.fc1 = nn.Linear(1 * 28 * 28, 100)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(100, 10)#将100个神经元收敛到10个神经元
def forward(self, image):#继承前向传播的方法
image_viwed = image.view(-1, 1*28*28)#此处需要拍平
# out = self.fc1(image_viwed)
out_1 = self.fc1(image_viwed)
fc1 = self.relu(out_1)#激活一下
out_2 = self.fc2(fc1)
return out_2
return out
2.识别效果（准确率）
Python 3.7.0 (default, Jun 28 2018, 08:04:48) [MSC v.1912 64 bit (AMD64)] on win32
runfile('D:/session9/MNI/MNIST_train.py', wdir='D:/session9/MNI')
0%| | 0/7500 [00:00
两种模型对比可以看出使用双全连接层+激活函数，效果会更好！
三、推理
1代码
from torchvision import transforms
from torch import nn
import torch
from PIL import Image
class MnistModel(nn.Module):
def __init__(self):#继承__init__方法
super(MnistModel, self).__init__()
#self.fc1 = nn.Linear(1*28*28, 10)#最初传入的图片的像素点是1*28*28的，最后我们要收敛成10个结果
self.fc1 = nn.Linear(1 * 28 * 28, 100)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(100, 10)#将100个神经元收敛到10个神经元
def forward(self, image):#继承前向传播的方法
image_viwed = image.view(-1, 1*28*28)#此处需要拍平
# out = self.fc1(image_viwed)
out_1 = self.fc1(image_viwed)
fc1 = self.relu(out_1)#激活一下
out_2 = self.fc2(fc1)
return out_2
#实例化模型
model = MnistModel()
model.load_state_dict(torch.load('models/model.pkl'))
#图像处理
my_transforms = transforms.Compose(
[transforms.ToTensor(),
#transforms.PILToTensor(),
transforms.Normalize(mean=(0.1307,), std=(0.3081,))#图像标准化处理
]
)
image = Image.open('test2.jpg')
my_transforms = transforms.Compose(
[
transforms.Grayscale(1),
transforms.ToTensor(),
transforms.Normalize(mean=(0.1307, ), std=(0.3081, ))
]
)
image = my_transforms(image)
model.eval()
with torch.no_grad():
#获取结果
output = model(image)
result = output.max(dim=1).indices#获取索引
print(result)
2.测试图像
3.识别结果
Python 3.7.0 (default, Jun 28 2018, 08:04:48) [MSC v.1912 64 bit (AMD64)] on win32
runfile('D:/session9/MNI/MNIST_inferring.py', wdir='D:/session9/MNI')
tensor([9])
