百度网站怎样做,网站站内搜索制作,对网站开发语言的统计,做直播导航网站好Pytorch下基于卷积神经网络的手写数字识别
论文格式
利用wps初步美化论文格式教程
wps论文格式变的的原因 格式变的根本原因是word为流式文件#xff0c;就算同是word同一个版本不同电脑也会有可能变#xff0c;字体变是因为没有嵌入字体然后观看的那台没有这个字体。 一、…Pytorch下基于卷积神经网络的手写数字识别
论文格式
利用wps初步美化论文格式教程
wps论文格式变的的原因 格式变的根本原因是word为流式文件就算同是word同一个版本不同电脑也会有可能变字体变是因为没有嵌入字体然后观看的那台没有这个字体。 一、流式文件是什么 流式文件支持自由编辑在浏览是按流式灌排的方式进行版面计算和绘制。流式文件一般包含元数据、式样、书签。超级链接、对象、节最大的排版单元不同页面式样的文档内容形成不同的分节、段落、句及其他元素和属性。【1】这些内容按一定的层次结构进行描述就形成了流式文档的格式。 Word文档就是一种典型的流式文件我们可以在文档中进行内容的编辑、添加、删除等操作。正是由于可编辑的特性流式文件会因为不同的阅读器版本、操作系统版本等环境因素导致文档展示的内容效果不一致也就是俗称的“跑版”现象。 主要流式文件格式有Word、TXT代表流式软件有永中Office、微软Office、WPS等。 主要应用场景一些较为日常的场合比如协同合作、日常撰写等 二、版式文件是什么 版式文件就是指不可编辑的也就是固定版式的文件。版式文档不会“跑版”在任何设备上显示和打印效果是高度精确一致的。【2】文件中的文字元素内容、位置、样式等在生成文件的时候就已经固定好了其他人是不好进行修改编辑的只能在上面加一些注释、签名等信息在不同软件、操作系统等环境中能保持高度的一致性。 主要版式文件格式有PDF、OFD代表版式软件有永中版式办公软件(永中OFD)、福昕软件、数科网维、点聚信息等。 主要应用场景一些较为严肃正式的场合比如商务文档、电子公文、电子凭证、电子证照等 三、流式文件与版式文件的区别 简单来说流式文件在于「编辑」版式文件在于「呈现」。 流式文件所见即所得的编辑内容 流式文件以永中Office为例在阅读与编辑的时候都必须在系统中安装相应的Office软件。 版式文件原版原式显示内容 版式文件独有的定版特性(格式不走样)在任何的设备、系统、屏幕尺寸和分辨率上展示的效果完全一致性。 关于python课程论文设计
Pytorch下基于卷积神经网络的手写数字识别
PyTorch下基于CNN的手写数字识别及应用研究
Pytorch框架下基于卷积神经网络实现手写数字识别
数字手写识别系统
import torch
from torch import nn
from torch.nn import functional as F
from torch import optim
import torchvision
from matplotlib import pyplot as plt
from utils import plot_image, plot_curve, one_hotbatch_size 512# 步骤1. 加载数据集
train_loader torch.utils.data.DataLoader(torchvision.datasets.MNIST(mnist_data, trainTrue, downloadTrue,transformtorchvision.transforms.Compose([torchvision.transforms.ToTensor(),torchvision.transforms.Normalize((0.1307,), (0.3081,))])),batch_sizebatch_size, shuffleTrue)test_loader torch.utils.data.DataLoader(torchvision.datasets.MNIST(mnist_data/, trainFalse, downloadTrue,transformtorchvision.transforms.Compose([torchvision.transforms.ToTensor(),torchvision.transforms.Normalize((0.1307,), (0.3081,))])),batch_sizebatch_size, shuffleFalse)x, y next(iter(train_loader))
print(x.shape, y.shape, x.min(), x.max())
plot_image(x, y, image sample)# 定义神经网络模型
class Net(nn.Module):def __init__(self):super(Net, self).__init__()# xwbself.fc1 nn.Linear(28*28, 256)self.fc2 nn.Linear(256, 64)self.fc3 nn.Linear(64, 10)def forward(self, x):# x: [b, 1, 28, 28]# h1 relu(xw1b1)x F.relu(self.fc1(x))# h2 relu(h1w2b2)x F.relu(self.fc2(x))# h3 h2w3b3x self.fc3(x)return xnet Net()
# [w1, b1, w2, b2, w3, b3]
optimizer optim.SGD(net.parameters(), lr0.01, momentum0.9)train_loss []for epoch in range(3):for batch_idx, (x, y) in enumerate(train_loader):# x: [b, 1, 28, 28], y: [512]# [b, 1, 28, 28] [b, 784]x x.view(x.size(0), 28*28)# [b, 10]out net(x)# [b, 10]y_onehot one_hot(y)# loss mse(out, y_onehot)loss F.mse_loss(out, y_onehot)optimizer.zero_grad()loss.backward()# w w - lr*gradoptimizer.step()train_loss.append(loss.item())if batch_idx % 100:print(epoch, batch_idx, loss.item())plot_curve(train_loss)
# 得到最优的[w1, b1, w2, b2, w3, b3]total_correct 0
for x,y in test_loader:x x.view(x.size(0), 28*28)out net(x)# out: [b, 10] pred: [b]pred out.argmax(dim1)correct pred.eq(y).sum().float().item()total_correct correcttotal_num len(test_loader.dataset)
acc total_correct / total_num
print(test acc:, acc)x, y next(iter(test_loader))
out net(x.view(x.size(0), 28*28))
pred out.argmax(dim1)
plot_image(x, pred, test) 配环境配了我大半条命
