pytorch-基于RNN的MNIST手写数据集识别

import torch
from torch import nnoptim
from torch.autograd import Variable
from torch.utils.data import DataLoader
from torchvision import datasetstransforms

# 超参数
batch_size = 100    # 批大小
learning_rate = 0.01 # 学习率
num_epoches = 20  # 训练次数

data_tf = transforms.Compose（[transforms.ToTensor（）transforms.Normalize（[0.5][0.5]）]）

train_dataset = datasets.MNIST（root=‘./data‘train=Truetransform=data_tfdownload=True）
test_dataset = datasets.MNIST（root=‘./data‘train=Falsetransform=data_tf）
train_loader = DataLoader（train_datasetbatch_size=batch_sizeshuffle=True）
test_loader = DataLoader（test_datasetbatch_size=batch_sizeshuffle=False）


class Rnn（nn.Module）:
    def __init__（self in_dim hidden_dim n_layer n_class）:
        super（Rnn self）.__init__（）
        self.n_layer = n_layer
        self.hidden_dim = hidden_dim
        self.lstm = nn.LSTM（in_dim hidden_dim n_layer batch_first=True）
        self.classifier = nn.Linear（hidden_dim n_class）

    def forward（self x）:
        out _ = self.lstm（x）
        out = out[: -1 :]
        out = self.classifier（out）
        return out


model = Rnn（28 128 2 10）  # 图片大小是28x28

# 定义loss和optimizer
criterion = nn.CrossEntropyLoss（）
optimizer = optim.Adam（model.parameters（） lr=learning_rate）

# 开始训练
for epoch in range（num_epoches）:
    running_loss = 0.0
    running_acc = 0.0
    for i data in enumerate（train_loader 1）:
        img label = data
        img = img.squeeze（1）
        if torch.cuda.is_available（）:
            img = img.cuda（）
            label = label.cuda（）
        else:
            img = Variable（img）