IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> pytorch实现吴恩达机器学习课程实验四(反向传播神经网络) -> 正文阅读

[人工智能]pytorch实现吴恩达机器学习课程实验四(反向传播神经网络)

import torch
import numpy as np
# import torch.utils.data as datasets
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
from torch import nn
from scipy.io import loadmat

learning_rate = 0.01
epoch_num = 5

data = loadmat('/content/drive/MyDrive/colab/data/NUMIMG/ex4data1.mat')
print(data.keys())
print(len(data['X']),type(data['X']),data['X'].shape)
print(np.max(data['y']))

class ImagDataset(Dataset):
  def __init__(self):
    path = '/content/drive/MyDrive/colab/data/NUMIMG/ex4data1.mat'
    data = loadmat(path)
    self.data_x = torch.from_numpy(data['X']).float()
    self.data_y = torch.from_numpy(data['y']).long().reshape(-1) - 1
    self.sample_num = len(data['X'])
  def __getitem__(self,index):
    return self.data_x[index], self.data_y[index]
  def __len__(self):
    return self.sample_num

dataset = ImagDataset()
dataloader = DataLoader(dataset=dataset, batch_size=32,shuffle=True)


class NeuralNet(nn.Module):
  def __init__(self):
    super(NeuralNet, self).__init__()
    self.linear1 = nn.Linear(400, 512)
    self.relu = nn.ReLU()
    self.linear2 = nn.Linear(512, 10)
  def forward(self, x):
    out = self.linear1(x)
    out = self.relu(out)
    out = self.linear2(out)
    return out

model = NeuralNet()

loss_fc = nn.CrossEntropyLoss()
optim = torch.optim.Adam(model.parameters(), lr=learning_rate)

total_step = len(dataloader)
print(total_step)
for epoch in range(epoch_num):
  for i, (images, labels) in enumerate(dataloader):
    out = model(images)

    # print(out.shape,labels.shape)
    loss = loss_fc(out,labels)
    
    optim.zero_grad()
    loss.backward()
    optim.step()

    if (i + 1) % 32 == 0:
      print('epoch [{}/{}] step [{}/{}] loss: {:.4f}'.format(epoch + 1, epoch_num, i + 1, total_step, loss.item()))

with torch.no_grad():
  correct = 0
  total = 0
  for images,label in dataloader:
    out = model(images)
    val, pred = torch.max(out, 1)
    total += images.shape[0]
    correct += (pred == label).sum().item()
  print('accuracy on {} test cases is {}%'.format(len(dataset), 100 * correct / len(dataset)))

里面有很多细节,比如在colab使用本地数据,并结合dataset和dataloader使用;dataset的一些细节问题

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-19 12:04:06  更:2021-08-19 12:04:25 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/1 10:24:47-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码