深度学习案例教程 课件3.4.1MNIST数据集处理.pptx

第四节实践任务-手写数字识别神经网络的训练介绍神经网络的训练是指从训练数据中自动获取最优权重参数的过程，通常分为两个阶段：第1阶段先通过前向传播算法计算得到预测值，并计算预测值与真实值之间的差距(该差距也称为损失函数)；第2阶段通过反向传播算法计算损失函数对每一个参数的梯度，使用合适的梯度下降算法对参数进行更新。

第四节实践任务-手写数字识别神经网络的训练介绍神经网络的训练以及参数更新的全部过程，如图表示。

实践任务1-数据处理1数据集介绍手写数字识别采用MNIST数据集进行训练，MNIST是有YannLeCun等创建的手写数字识别数据集，简单易用，通过对该数据集可以很好地进行手写数字识别神经网络建模。MINIST数据集主要是有一些手写的数字的图片及对应的标签，该数据集的图片共有10类，对应的阿拉伯数字为0~9，如图表示。

实践任务1-数据处理1数据集介绍在MINIST数据集介绍的官网(/exdb/mnist/)中可知，原始的MNIST数据集共包含4个文件，如图表示。文件名大小用途train-images-idx3-ubyte.gz9912422bytes训练集图像train-labels-idx1-ubyte.gz28881bytes训练集标签t10k-images-idx3-ubyte.gz1648877bytes测试集图像t10k-labels-idx1-ubyte.gz4542bytes测试集标签

实践任务1-MNIST数据处理2导入数据集在PyTorch中，有一个非常重要并且好用的包是torchvision，该包主要由3个子包组成，分别是models、datasets和transforms。models定义了许多用来完成图像方面深度学习的任务模型。datasets中包含MINIST、FakeData、COCO、LSUN、ImageFolder、DatasetFolder、ImageNet、CIFAR等一些常用的数据集，并且提供了数据集设置的一些重要参数，可以通过简单数据集设置来进行数据集的调用。transforms用来对数据进行预处理，预处理会加快神经网络的训练，常见的预处理包括从数组转成张量(tensor)、归一化等。

实践任务1-MNIST数据处理2导入数据集importnumpyasnp

importtorch

fromtorchvisionimportdatasets,transforms

importmatplotlib.pyplotasplt

importtorchvision导入所需要的python包：

实践任务1-MNIST数据处理2导入数据集导入MNIST训练集数据：#1导入数据集

train_loader=torch.utils.data.DataLoader(

datasets.MNIST(root=./data,#root表示数据加载的相对目录

train=True,#train表示是否加载数据库的训练集，False时加载测试集

download=True,#download表示是否自动下载

transform=transforms.Compose([#transform表示对数据进行预处理的操作

transforms.ToTensor(),

transforms.Normalize((0.1307,),(0.3081,))

])),batch_size=64,shuffle=True)#batch_size表示该批次的数据量shuffle表示是否洗牌

实践任务1-MNIST数据处理2导入数据集导入MNIST测试集数据：test_loader=torch.utils.data.DataLoader(

datasets.MNIST(./data,train=False,transform=transforms.Compose([

transforms.ToTensor(),

transforms.Normalize((0.1307,),(0.3081,))

])),batch_size=64,shuffle=True)

实践任务1-MN