pytorch cnn 识别手写的字实现自建图片数据

下面是详细的攻略：

简介

卷积神经网络（CNN）是一种在图像识别、语音识别和自然语言处理等领域广泛应用的深度学习算法。本文将介绍如何使用PyTorch实现一个CNN模型来识别手写字，并且展示如何通过自建图片数据进行训练和测试。

步骤

1. 准备自建图片数据

首先需要准备自建图片数据作为我们的训练集和测试集。这些图片应该是手写的数字，且需要分类为数字0到9的10个类别。每个类别应该包含足够数量的图片，以便模型可以充分学习区分不同数字的特征。

可以使用任何图片编辑软件来创建这些手写数字图片，例如Paint或GIMP。注意要将图片大小和分辨率保持一致，以便后续处理。

将这些图片按照不同数字分类，分别存储到对应文件夹内。例如，所有数字0的图片可以存储在名为“0”的文件夹中，所有数字1的图片可以存储在名为“1”的文件夹中，以此类推。

2. 加载和转换自建图片数据

使用torchvision库中的ImageFolder来加载自建的图片数据，该函数会自动将每个文件夹内的图片视为同一类别。可以使用transform来对图片进行预处理，例如缩放和剪裁。

下面是一个示例：

import torchvision.transforms as transforms
from torchvision.datasets import ImageFolder

data_transform = transforms.Compose([
    transforms.Resize((28, 28)),
    transforms.ToTensor()
])

train_dataset = ImageFolder('./train', transform=data_transform)
test_dataset = ImageFolder('./test', transform=data_transform)

这里使用了Resize将图片尺寸调整为28×28像素，ToTensor将图片转换为PyTorch中的张量。

3. 创建CNN模型

接下来需要创建一个CNN模型。可以使用PyTorch中的nn.Module类来构建模型。这里可以简单地使用两个卷积层和一个全连接层，具体如下：

import torch.nn as nn

class CNNModel(nn.Module):
    def __init__(self):
        super(CNNModel, self).__init__()

        self.conv1 = nn.Conv2d(3, 32, 3, 1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1, padding=1)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, 2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 64 * 7 * 7)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

这个模型包含两个卷积层和一个全连接层。第一个卷积层有32个输出通道，第二个卷积层有64个输出通道。每个卷积层都使用大小为3×3的卷积核，每个像素的步幅为1，并使用1个像素的填充。全连接层有128个隐藏单元，最终输出10个类别的概率。

4. 训练模型

现在可以开始训练模型了。首先需要定义损失函数和优化器。这里使用交叉熵作为损失函数，使用随机梯度下降作为优化器。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

然后可以使用PyTorch中的DataLoader来加载自建图片数据，并使用上述定义的损失函数和优化器来训练模型。训练模型的代码如下：

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=True)

model = CNNModel()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 100 == 99:
            print('[%d, %5d] loss: %.3f' % (epoch+1, i+1, running_loss/100))
            running_loss = 0.0

训练模型需要遍历所有训练数据多次，每次遍历称为一个epoch。这里共训练了10个epoch。

5. 测试模型

训练完模型后，可以使用测试集来评估模型的性能。这里使用PyTorch中的accuracy_score函数来计算模型在测试集上的准确率。

from sklearn.metrics import accuracy_score

correct = 0
total = 0

with torch.no_grad():
    for data in test_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the test images: %d %%' % (100 * correct / total))

最后，可以使用模型对单个手写数字图片进行预测。预测过程包括两个步骤：首先将图片转换为PyTorch张量，然后使用训练好的模型对该张量进行预测：

from PIL import Image

img = Image.open("5.png")
img = data_transform(img).unsqueeze(0)

outputs = model(img)
_, predicted = torch.max(outputs.data, 1)

print('The predicted digit is:', predicted[0])

这里使用了PIL库来打开单个图片，并使用上述定义的data_transform函数将其转换为PyTorch张量。需要注意，使用unsqueeze将单个张量转换为批量大小为1的张量，在预测时需要用到。

示例说明

下面给出两个示例，分别演示如何创建CNN模型和如何对单个手写数字进行预测。

示例1：创建CNN模型

import torch.nn as nn

class CNNModel(nn.Module):
    def __init__(self):
        super(CNNModel, self).__init__()

        self.conv1 = nn.Conv2d(3, 32, 3, 1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1, padding=1)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, 2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 64 * 7 * 7)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

该模型包含两个卷积层和一个全连接层。第一个卷积层有32个输出通道，第二个卷积层有64个输出通道。每个卷积层都使用大小为3×3的卷积核，每个像素的步幅为1，并使用1个像素的填充。全连接层有128个隐藏单元，最终输出10个类别的概率。

示例2：对单个手写数字进行预测

from PIL import Image

img = Image.open("5.png")
img = data_transform(img).unsqueeze(0)

outputs = model(img)
_, predicted = torch.max(outputs.data, 1)

print('The predicted digit is:', predicted[0])

这个示例使用了PIL库打开了一个名为“5.png”的图片，并使用上述定义的data_transform函数将其转换为PyTorch张量。将该张量转换为批量大小为1的张量，并使用已训练好的CNN模型对其进行预测，最终输出预测的数字。