当前位置: 首页 > web >正文

用Python玩转人工智能——数字识别技术 之三

目录

  MNIST 数据集模型训练与结果观察课程

  一、课程目标

  二、模型训练

  (一)训练循环详解

  (二)学习率调整策略

  (三)过拟合与欠拟合处理

  三、观察模型预测结果

  (一)计算准确率

  (二)混淆矩阵分析

  (三)可视化预测样本

  四、课程系统总结

  MNIST 数据集模型训练与结果观察课程

  一、课程目标

  本次课程旨在让学员深入掌握 MNIST 数据集下神经网络模型的训练过程,学会通过多种方式观察模型预测结果,并能综合前三节课知识,对 MNIST 数据集处理、模型构建与训练形成完整认知,提升模型调优和分析能力。

  二、模型训练

  (一)训练循环详解

  在模型训练中,训练循环是核心流程。它通过多次迭代训练数据,逐步调整模型参数以降低损失。一个典型的训练循环包含以下步骤:

  1. 数据加载:从数据加载器(如 PyTorch 中的DataLoader)获取一批数据,包括输入图像和对应的真实标签。
  2. 前向传播:将输入数据传入模型,经过各层计算得到预测结果。
  3. 计算损失:使用损失函数(如交叉熵损失函数)计算预测结果与真实标签之间的差异。
  4. 反向传播:根据损失值,利用链式法则计算损失函数对模型各参数的梯度。
  5. 参数更新:优化器(如随机梯度下降 SGD、Adam 等)根据计算得到的梯度和设定的学习率,更新模型参数。
  6. 损失记录:记录每一批次的损失值,用于监控训练过程。

  以下是基于 PyTorch 的训练循环代码示例:

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms# 数据预处理
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))
])# 加载数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)# 定义模型
class SimpleNet(nn.Module):def __init__(self):super(SimpleNet, self).__init__()self.fc1 = nn.Linear(784, 128)self.relu = nn.ReLU()self.fc2 = nn.Linear(128, 10)def forward(self, x):x = x.view(-1, 784)x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return xmodel = SimpleNet()# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = op
http://www.xdnf.cn/news/6907.html

相关文章:

  • React 中,闭包陷阱
  • hadoop.proxyuser.代理用户.授信域 用来干什么的
  • 【目标检测】【Transformer】Swin Transformer
  • JVM 双亲委派机制
  • How to install alibaba font on Linux mint
  • Git 多人协作
  • 系统架构设计(十一):架构风格总结2
  • Java-Collections类高效应用的全面指南
  • 数值分析知识重构
  • 【Redis】List 列表
  • 黑马k8s(十)
  • 如何分析动态采样引起的计划不稳定 | OceanBase SQL 调优实践
  • 2025.05.17淘天机考笔试真题第一题
  • 【时时三省】(C语言基础)字符数组应用举例2
  • 游戏引擎学习第290天:完成分离渲染
  • 一阶线性方程 线性方程
  • JAVA EE_HTTP
  • Python训练营打卡Day28
  • Java二叉树题目练习
  • Unity3D仿星露谷物语开发44之收集农作物
  • 物联网赋能7×24H无人值守共享自习室系统设计与实践!
  • linux线程基础
  • Reactor (epoll实现基础)
  • 数字电子技术基础(五十九)——脉冲触发的触发器
  • 量化用到的机器学习书籍推荐
  • Kotlin与机器学习实战:Android端集成TensorFlow Lite全指南
  • 2025B难题练习
  • SEO 优化实战:ZKmall模板商城的 B2C商城的 URL 重构与结构化数据
  • 无监督学习在医疗AI领域的前沿:多模态整合、疾病亚型发现与异常检测
  • Windows本地化部署Dify完整指南