实验五：全连接神经网络手写数字识别实验

【实验目的】

理解神经网络原理，掌握神经网络前向推理和后向传播方法；

掌握使用pytorch框架训练和推理全连接神经网络模型的编程实现方法。

【实验内容】

1.使用pytorch框架，设计一个全连接神经网络，实现Mnist手写数字字符集的训练与识别。

【实验报告要求】

修改神经网络结构，改变层数观察层数对训练和检测时间，准确度等参数的影响；
修改神经网络的学习率，观察对训练和检测效果的影响；
修改神经网络结构，增强或减少神经元的数量，观察对训练的检测效果的影响。

import torchfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as Fimport torch.optim as optim# 准备数据集batch_size = 64transform = transforms.Compose([    transforms.ToTensor(),    transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset = datasets.MNIST(root='../dataset/mnist/',                               train=True,                               download=True,                               transform=transform) train_loader = DataLoader(train_dataset,                          shuffle=True,                          batch_size=batch_size) test_dataset = datasets.MNIST(root='../dataset/mnist',                              train=False,                              download=True,                              transform=transform) test_loader = DataLoader(test_dataset,                         shuffle=False,                         batch_size=batch_size)# 设计模型class Net(torch.nn.Module):    def __init__(self):        super(Net, self).__init__()        self.l1 = torch.nn.Linear(784, 512)        self.l2 = torch.nn.Linear(512, 256)        self.l3 = torch.nn.Linear(256, 128)        self.l4 = torch.nn.Linear(128, 64)        self.l5 = torch.nn.Linear(64, 10)    def forward(self, x):        x = x.view(-1, 784)        x = F.relu(self.l1(x))        x = F.relu(self.l2(x))        x = F.relu(self.l3(x))        x = F.relu(self.l4(x))        return self.l5(x) model = Net()# 构建损失函数和优化器criterion = torch.nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)# 定义训练函数def train(epoch):    running_loss = 0.0    for batch_idx, data in enumerate(train_loader, 0):        inputs, target = data        optimizer.zero_grad()        # 前馈+反馈+更新        outputs = model(inputs)        loss = criterion(outputs, target)        loss.backward()        optimizer.step()        running_loss += loss.item()        if batch_idx % 300 == 299:            print('[%d,%5d] loss:%.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))            running_loss = 0.0# 定义测试函数def test():    correct = 0    total = 0    with torch.no_grad():        for data in test_loader:            images, labels = data            outputs = model(images)            _, predicted = torch.max(outputs.data, dim=1)            total += labels.size(0)            correct += (predicted == labels).sum().item()    print('Accuracy on test set:%d %%' % (100 * correct / total))# 实例化训练和测试if __name__ == '__main__':    for epoch in range(10):        train(epoch)        test()

【结果】：

链接：https://www.dianjilingqu.com/623080.html