type
status
date
slug
summary
tags
category
icon
password
CV 领域的 Hello world
📝 主旨内容
MNIST数据集
MNIST数据集是机器学习领域中最著名的数据集之一，主要用于手写数字识别。它包含了70,000张大小为28x28像素的灰度图像，这些图像代表了0到9的数字。数据集被分为两部分：60,000张图像用于训练模型，而剩余的10,000张用于测试模型的性能。MNIST数据集因其规模适中且难度适中，常被用作计算机视觉和机器学习算法的入门级测试平台。
开始训练噜！
下面是训练步骤，请一步一步来操作，如有问题参照参考链接或者评论区评论
Datasets 准备
2.对测试数据进行分析
2.1
2.2
3.搭建网络
4.模型训练函数
state_dict()在PyTorch中，state_dict()是一个函数，用于返回包含模型或优化器参数的Python字典。对于模型，这个字典包含每一层的参数和持久状态。对于优化器，它包含关于优化器状态以及所使用的超参数的信息。使用state_dict()的主要目的是方便模型的保存和加载，因此你可以在训练过程中保存当前模型的状态，并在之后的时间点加载模型继续训练或进行推理。
5.模型测试函数
需要将之前的
train(1)给注释掉，让networkd state_dict中没有模型参数，这样对原始测试集合的准确率才是10%，否则得到的是训练一个epoch后的模型测试结果，大概为94%；请注意区分
6.正式模型训练
可以看到，n_epoch设置为3时准确率就达到了97%（实际上epoch为1的时候准确率就为94%）
7.从检查点处持续训练
从第一次训练运行保存的state_dicts中继续进行训练，需要重新初始化一组新的网络和优化器
8.利用swanlab可视化训练过程
(建议首先阅读swanlab文档，非常详细！我奶奶都能看懂)
一、安装swanlab
swanlab是一个用于可视化机器学习过程的开源库，首先使用以下命令安装
二、进行初始化
swanlab.init 注意，因为train和test函数中进行了一点测试，如果你未对测试代码进行注释，需要将初始化函数提前，下一步为记录权重，根据swanlab的文档，需要先进行初始化，才能记录参数
三、记录参数(train_loss, test_loss, test_acc)
swanlab.log 添加以下三行代码，位置在函数之中，分别记录三个权重
四、打开实验看板
终端中使用以下命令打开实验看板，进行图像观察
9.结果展示
在每一个epoch中，test_loss都是逐渐增加，test_acc逐渐增加，可以看到，其实在前几个batch中，test_acc已经相当高了，
train_loss都是逐渐减小，这也是符合规律的
10.使用gpu加速训练 optional
这些修改应该在定义网络和优化器之后、训练和测试循环开始之前完成，这样可以确保你的模型训练和评估过程充分利用了gpu资源
你只需要操作以下简洁的几步即可完成
1.设置device
2.绑定device至网络实例上
3.将数据移动到GPU上
🤗 总结归纳
第一次写这么大篇幅的文章，收获是满满的，大家放心，给你们的代码我手写了3遍，绝对是能走通的，而且代码仓库我已经放底下咯
📎 参考文章
有关这篇博客的任何问题，欢迎您在底部评论区留言，我会在github邮箱中第一时间收到邮件，让我们一起交流~
- Author:Zachary_Yang
- URL:https://notion-next-git-main-little1ds-projects.vercel.app//article/handwrting-recognition
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!