PyTorch 在 PyCharm 中实现采用卷积神经网络分类 MNIST 数据集

在PyCharm中使用PyTorch实现卷积神经网络（CNN）来分类MNIST数据集的步骤如下： 1. **安装必要的库**： 确保你已经安装了PyTorch和PyCharm。如果没有安装，可以使用以下命令安装PyTorch： ```bash pip install torch torchvision ``` 2. **导入库**： 在PyCharm中创建一个新的Python文件，并导入必要的库。 ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchvision import datasets, transforms ``` 3. **定义超参数**： 定义一些超参数，如学习率、批量大小、训练轮数等。 ```python batch_size = 64 learning_rate = 0.01 num_epochs = 5 ``` 4. **数据预处理**： 使用`transforms`对数据进行预处理，并将数据加载到`DataLoader`中。 ```python transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) ``` 5. **定义卷积神经网络模型**： 定义一个简单的CNN模型。 ```python class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv2d(1, 10, kernel_size=5) self.conv2 = nn.Conv2d(10, 20, kernel_size=5) self.fc1 = nn.Linear(320, 50) self.fc2 = nn.Linear(50, 10) def forward(self, x): x = F.relu(F.max_pool2d(self.conv1(x), 2)) x = F.relu(F.max_pool2d(self.conv2(x), 2)) x = x.view(-1, 320) x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=1) model = CNN() ``` 6. **定义损失函数和优化器**： 定义损失函数和优化器。 ```python criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) ``` 7. **训练模型**： 训练模型并进行验证。 ```python for epoch in range(num_epochs): for batch_idx, (data, target) in enumerate(train_loader): optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() if batch_idx % 100 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Step [{batch_idx+1}/{len(train_loader)}], Loss: {loss.item():.4f}') ``` 8. **测试模型**： 测试模型的准确率。 ```python correct = 0 total = 0 with torch.no_grad(): for data, target in test_loader: output = model(data) _, predicted = torch.max(output.data, 1) total += target.size(0) correct += (predicted == target).sum().item() print(f'Accuracy of the model on the 10000 test images: {100 * correct / total:.2f}%') ``` 通过以上步骤，你可以在PyCharm中使用PyTorch实现一个简单的卷积神经网络来分类MNIST数据集。