Mnist手写数字识别（Pytorch实现，线性神经网络版，超详细代码备注）

冷不防 2023-10-04 10:32 15阅读 0赞

**1、先看实现效果**  
迭代3轮的准确率  
![在这里插入图片描述][20210412111911657.png]  
loss图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2lpaWlpaWltcA_size_16_color_FFFFFF_t_70]  
随便取一个数据预测  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2lpaWlpaWltcA_size_16_color_FFFFFF_t_70 1]  
预测结果：  
![在这里插入图片描述][20210412112244280.png]  
**2、实现代码**  
需要的库

#导入torch库,用于搭建神经网络
    import torch
    import torch.nn as nn
    from torch.utils.data import Dataset
    #导入pandas库，用于读取CSV文件
    import pandas
    #导入matplotlib用于绘图
    import matplotlib.pyplot as plt

数据集管理类（用于管理mnist数据集和绘图）

class MnistDataset(Dataset):
        """管理minist数据集"""
        def __init__(self,filename):
            """重写init方法,用于读取文件"""
            self.fileobject = pandas.read_csv(filename)
        def __len__(self):
            """重写len方法，用于返回文件数据对象的长度"""
            len = len(self.fileobject)
            return len
        def __getitem__(self, index):
            """重写__getitem__,用于返回返回文件里面的内容"""
            # 读取一副图像的标签
            label = self.fileobject.iloc[index,0]
            #读取一副图像的数据
            data = self.fileobject.iloc[index,1:]
            #将标签改为one_hot编码
            one_hot_label = torch.zeros((10))
            one_hot_label[label] = 1.0
            #将图像数据转为FloatTensor格式，并且归一化为0~1区间
            img_data = torch.FloatTensor(data.values)/255.0
    
            #返回图片标签、图片标签对应的one_hot编码、图片数据
            return label,one_hot_label,img_data
    
        def plot_image(self,index):
            """绘制图像"""
            #得到标签
            label = self.fileobject.iloc[index,0]
            #得到图像
            img = self.fileobject.iloc[index,1:].values.reshape(28,28)
            #画标题
            plt.title('label = '+str(label))
            #画图像
            plt.imshow(img,cmap='Blues')
            plt.show()

线性神经网络  
就3层，输入层（784个节点）->隐藏层（200个节点）->输出层（100个节点）

class MnistNet(nn.Module):
        """Mnist分类器"""
        def __init__(self):
            """重写init方法，用于搭建模型"""
            #初始化父类
            super().__init__()
            #定义神经网络模型784->200->10
            self.model = nn.Sequential(
                nn.Linear(28*28,200),
                nn.Sigmoid(),
                nn.Linear(200,10),
                nn.Sigmoid()
            )
            #定义损失函数，选择均方差误差
            self.loss = torch.nn.MSELoss()
            #定义优化器，选择随机梯队下降,步长0.01
            self.opt = torch.optim.SGD(self.parameters(),lr=0.01)
            #记录迭代次数
            self.count = 0
            #记录迭代时loss的值
            self.progress = []
    
        def forward(self,inputs):
            """网络前向传播"""
            outputs = self.model(inputs)
            return outputs
    
        def train(self,inputs,targets):
            """网络训练"""
            #得到预测输出
            outputs = self.forward(inputs)
            #得到损失值
            loss = self.loss(outputs,targets)
            #梯度归零，否则会叠加
            self.opt.zero_grad()
            #反向传播
            loss.backward()
            #更新权重
            self.opt.step()
            #记录迭代次数
            self.count += 1
            #每10次迭代，记录一次loss
            if self.count%10 == 0:
                self.progress.append(loss.item())
            #每10000次迭代，输出迭代次数
            if self.count%10000 == 0:
                print('count = ',self.count)
    
        def plot_loss(self):
            """画出loss的值"""
            df  = pandas.DataFrame(self.progress,columns=['loss'])
            df.plot(ylim=(0,1.0),figsize=(16,8),alpha=0.1,marker='.',grid=True,yticks=(0,0.25,0.5))
            plt.show()

主函数

if __name__ == '__main__':
        """训练阶段"""
        #读取训练集
        mnist_data_train = MnistDataset('mnist_train.csv')
        #创建神经网络
        mnistNet = MnistNet()
        #迭代次数
        epochs = 3
        #在MNIST数据集训练网络
        for i in range(epochs):
            print('traing epoch ',i+1,'of',epochs)
            for label,one_hot_label,img_data in mnist_data_train:
                mnistNet.train(img_data,one_hot_label)
        #绘制loss
        mnistNet.plot_loss()
        """预测一副图像"""
        #读取测试集
        mnist_data_test = MnistDataset('mnist_test.csv')
        #选择一副图片
        img_num = 5
        #得到其本身的值,mnist_data_test[i][j]返回的是__getitem__方法的返回值
        label_real = mnist_data_test[img_num][0]
        #绘制这副图像
        mnist_data_test.plot_image(img_num)
        #预测这副图片的值
        input = mnist_data_test[img_num][2]
        output_predict = mnistNet.forward(input).detach()
        print('real label = ',label_real,' predict label = ',str(output_predict.argmax().numpy()))
        #绘制输出张量
        pandas.DataFrame(output_predict.numpy()).plot(kind='bar',legend=False,ylim=(0.1))
        plt.show()
        """得到准确率"""
        #记录预测正确数，预测总数
        true_sum = 0
        sum = 0
        #得到准确率
        for label,one_hot_label,img_data in mnist_data_test:
            #得到预测值
            predict = mnistNet.forward(img_data).detach().numpy()
            if predict.argmax() == label:#预测和理想值一样
                true_sum += 1
            sum += 1
        print('all simple = ',sum)
        print('it\'s true = ',true_sum)
        print('accuracy = ',true_sum/sum*100.0,'%')

**3、最后附上Mnist数据集**  
[百度网盘][Link 1]  
提取码：ZYYY  
把两个文件放在项目根目录即可

[20210412111911657.png]: https://img-blog.csdnimg.cn/20210412111911657.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2lpaWlpaWltcA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210412112025458.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2lpaWlpaWltcA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2lpaWlpaWltcA_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210412112207119.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2lpaWlpaWltcA==,size_16,color_FFFFFF,t_70
[20210412112244280.png]: https://img-blog.csdnimg.cn/20210412112244280.png
[Link 1]: https://pan.baidu.com/s/1xV0eGFw9nm4QoFBe2e1EvQ