PyTorch簡單手寫數(shù)字識別的實(shí)現(xiàn)過程

更新時間：2021年11月21日 09:27:43 作者：回家種蜜柚

Pytorch是熱門的深度學(xué)習(xí)框架之一,通過經(jīng)典的MNIST數(shù)據(jù)集進(jìn)行快速的pytorch入門,這篇文章主要給大家介紹了關(guān)于PyTorch簡單手寫數(shù)字識別的相關(guān)資料,需要的朋友可以參考下

① 導(dǎo)入相應(yīng)的包，下載訓(xùn)練集和測試集對應(yīng)需要的圖像數(shù)據(jù)。
②進(jìn)行圖像數(shù)據(jù)的變換，使圖像數(shù)據(jù)轉(zhuǎn)化成pytorch可識別并計算的張量數(shù)據(jù)類型
③數(shù)據(jù)預(yù)覽測試和數(shù)據(jù)裝載
④模型搭建和參數(shù)優(yōu)化
⑤總代碼
⑥測試

一、包導(dǎo)入及所需數(shù)據(jù)的下載

torchvision包的主要功能是實(shí)現(xiàn)數(shù)據(jù)的處理、導(dǎo)入、預(yù)覽等，所以如果需要對計算機(jī)視覺的相關(guān)問題進(jìn)行處理，就可以借用在torchvision包中提供的大量的類來完成相應(yīng)的工作。

代碼的開始部分有這兩個：

import torch
from torchvision import datasets, transforms  # torchvision包的主要功能是實(shí)現(xiàn)數(shù)據(jù)的處理、導(dǎo)入和預(yù)覽等

torchvision.datasets：實(shí)現(xiàn)對數(shù)據(jù)集的訓(xùn)練集和測試集的下載，只需使用torchvision再加上需要下載的數(shù)據(jù)集的名稱就可以了，比如本例的MNIST

下載數(shù)據(jù)集的代碼如下：

data_train = datasets.MNIST(
    transform=transform,
    root="./data/",
    train=True,
    download=True
)
data_test = datasets.MNIST(
    root="./data/",
    transform=transform,
    train=True,
    download=False
)

①root用于指定數(shù)據(jù)集在下載之后的存放路徑，這里存放在根目錄下的data文件夾

②transform用于指定導(dǎo)入數(shù)據(jù)集是需要對數(shù)據(jù)進(jìn)行哪種變換操作

③train用于指定數(shù)據(jù)集下載完成后需要載入哪部分?jǐn)?shù)據(jù)（如果設(shè)置為True，則說明載入的是該數(shù)據(jù)集的訓(xùn)練集部分；如果設(shè)置為False，則說明載入的是該數(shù)據(jù)集的測試集部分）

關(guān)于數(shù)據(jù)集引入的改動

此處我對此進(jìn)行了稍微地小改動，因?yàn)檎麄€導(dǎo)入下載的數(shù)據(jù)集大約有6萬張圖片，這是一個極大的數(shù)據(jù)量，一臺配置正常的電腦程序運(yùn)行的時間需求將會是巨大的，我當(dāng)時大約跑了一上午（一臺正常配置的學(xué)生電腦），所以此處我將6萬張數(shù)據(jù)集的訓(xùn)練集和測試集都只截取了前1000張用作訓(xùn)練和測試，雖然說精度會降低，使得偏差較大，但是也足夠用了，在時間上會有極大的節(jié)省，代碼如下：

from torch.utils.data import random_split

data_train, _ = random_split(
    dataset=data_train,
    lengths=[1000, 59000],
    generator=torch.Generator().manual_seed(0)
)
data_test, _ = random_split(
    dataset=data_test,
    lengths=[1000, 59000],
    generator=torch.Generator().manual_seed(0)
)

我調(diào)用torch.utils.data import random_split函數(shù)對數(shù)據(jù)集進(jìn)行了切割，使得數(shù)據(jù)量減少，提升了運(yùn)行速率。

二、進(jìn)行數(shù)據(jù)處理變換操作

在torch.transforms中提供了豐富的類對載入的數(shù)據(jù)進(jìn)行變換。我們知道，在計算機(jī)視覺中處理的數(shù)據(jù)集有很大一部分是圖片類型的，而在PyTorch中實(shí)際進(jìn)行計算的是Tensor數(shù)據(jù)類型的變量，所以我們首先需要解決的是數(shù)據(jù)類型轉(zhuǎn)換的問題
對數(shù)據(jù)進(jìn)行載入及有相應(yīng)變化的代碼如下：

transform = transforms.Compose(
[transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5])]
)

我們可以將以上代碼中的torchvision.transforms.Compose類看成一種容器，它能夠同時對多種數(shù)據(jù)變換進(jìn)行組合。傳入的參數(shù)是一個列表，列表中的元素就開始對載入的數(shù)據(jù)進(jìn)行各種變換操作。例如本例：

①轉(zhuǎn)化數(shù)據(jù)類型為Tensor（張量）
②對均值(mean)和標(biāo)準(zhǔn)差(std)均為0.5的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化變化

三、數(shù)據(jù)預(yù)覽測試和數(shù)據(jù)裝載

數(shù)據(jù)下載完成并載入之后，我們還需對數(shù)據(jù)進(jìn)行裝載。

我們可以將數(shù)據(jù)的載入理解為對圖片的處理，在處理完成后，我們就需要將這些圖片打包好送給我們的模型進(jìn)行訓(xùn)練了，而裝載就是這個打包的過程

代碼片如下：

data_loader_train = torch.utils.data.DataLoader(dataset=data_train,
                                                batch_size=4,
                                                shuffle=True)

data_loader_test = torch.utils.data.DataLoader(dataset=data_test,
                                               batch_size=4,
                                               shuffle=True)

對數(shù)據(jù)的裝載使用的是torch.utils.data.DataLoader類，類中的參數(shù)：

①batch_size參數(shù)設(shè)置了每個包中的圖片數(shù)據(jù)個數(shù)，代碼中的值是4（此處如果電腦配置不是很高或者想讓程序跑的快一點(diǎn)的話可以稍微調(diào)低，原本為64，此處我將其調(diào)為4）
②dataset參數(shù)用于指定我們載入的數(shù)據(jù)集的名稱。 ③將shuffle參數(shù)設(shè)置為True，在裝載的過程中會將數(shù)據(jù)隨機(jī)打亂順序并進(jìn)行打包。

在裝載完成后，我們可以選取其中一個批次的數(shù)據(jù)進(jìn)行預(yù)覽。進(jìn)行數(shù)據(jù)預(yù)覽的代碼如下：

images, labels = next(iter(data_loader_train))

img = torchvision.utils.make_grid(images)
img = img.numpy().transpose(1, 2, 0)

std = [0.5]
mean = [0.5]
img = img * std + mean

print([labels[i] for i in range(4)])
plt.imshow(img)
plt.show()

在以上代碼中使用了iter和next來獲取一個批次的圖片數(shù)據(jù)(images)和其對應(yīng)的圖片標(biāo)簽(abels)。

然后使用torchvision.utils中的make_grid類方法將一個批次的圖片構(gòu)造成網(wǎng)格模式。

需要傳遞給torchvision.utils.make_grid的參數(shù)就是一個批次的裝載數(shù)據(jù)，每個批次的裝載數(shù)據(jù)都是4維的，維度的構(gòu)成從前往后分別為batch_size、channel、height、weight，分別對應(yīng)一個批次中的數(shù)據(jù)個數(shù)、每張圖片的色彩通道數(shù)、每張圖片的高度和寬度。

在通過torchvision.utils.make_grid之后，圖片的維度就變成了（channel，height，weight），這個批次的圖片全部被整合到了一起，所以在這個維度中對應(yīng)的值也和之前不一樣了，但是色彩通道數(shù)保持不變。

若我們想使用Matplotlib將數(shù)據(jù)顯示成正常的圖片形式，則使用的數(shù)據(jù)首先必須是數(shù)組，其次這個數(shù)組的維度必須是（height、weight、channel）,即色彩通道數(shù)在最后面。

所以我們要通過numpy和transpose完成原始數(shù)據(jù)類型的轉(zhuǎn)換和數(shù)據(jù)維度的交換，這樣才能夠使用Matplotlib繪制出正確的圖像。

在完成數(shù)據(jù)預(yù)覽的代碼中，我們先打印輸出了這個批次中的數(shù)據(jù)的全部標(biāo)簽，然后才對這個批次中的所有圖片數(shù)據(jù)進(jìn)行顯示。結(jié)果如下：

在這里插入圖片描述

效果圖如下，可以看到，打印輸出的首先是4張圖片對應(yīng)的標(biāo)簽，然后是4張圖片的預(yù)覽效果

在這里插入圖片描述

plt.show()的話如果是使用PyCham編譯的話一定要加上去，不然會出現(xiàn)顯示不出圖像的情況

plt.show()

四、模型搭建和參數(shù)優(yōu)化

在順利完成數(shù)據(jù)裝載之后，我們就可以開始編寫卷積神經(jīng)網(wǎng)絡(luò)的搭建和參數(shù)優(yōu)化的代碼了。

卷積層使用torch.nn.Conv2d類方法來搭建；
激活層使用torch.nn.ReLU()類方法來搭建；
池化層使用torch.nn.MaxPool2d類方法來搭建；
全連接層使用torch.nn.Linear類方法來搭建

實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型搭建的代碼如下：

class Model(torch.nn.Module):

    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = torch.nn.Sequential(
            torch.nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(stride=2, kernel_size=2)
        )

        self.dense = torch.nn.Sequential(
            torch.nn.Linear(14 * 14 * 128, 1024),
            torch.nn.ReLU(),
            torch.nn.Dropout(p=0.5),
            torch.nn.Linear(1024, 10)
        )

    def forward(self, x):
        x = self.conv1(x)  # 卷積處理
        x = x.view(-1, 14*14*128)  # 對參數(shù)實(shí)行扁平化處理
        x = self.dense(x)
        return x

我們選擇搭建一個在結(jié)構(gòu)層次上有所簡化的卷積神經(jīng)網(wǎng)絡(luò)模型，在結(jié)構(gòu)上使用了兩個卷積層：一個最大池化層和兩個全連接層

torch.nn.Conv2d():用于搭建卷積神經(jīng)網(wǎng)絡(luò)的卷積層，主要的輸入?yún)?shù)有輸入通道數(shù)、輸出通道數(shù)、卷積核大小、卷積核移動步長和Padding值。其中，
輸入通道數(shù)的數(shù)據(jù)類型是整型，用于確定輸入數(shù)據(jù)的層數(shù)；
輸出通道數(shù)的數(shù)據(jù)類型也是整型，用于確定輸出數(shù)據(jù)的層數(shù)；
卷積核大小的數(shù)據(jù)類型是整型，用于確定卷積核的大小；
卷積核移動步長的數(shù)據(jù)類型是整型，用于確定卷積核每次滑動的步長；
Paddingde的數(shù)據(jù)類型是整型，值為0時代表不進(jìn)行邊界像素的填充，如果值大于0，那么增加數(shù)字所對應(yīng)的邊界像素層數(shù)。

torch.nn.MaxPool2d():用于實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)中的最大池化層，主要的輸入?yún)?shù)時池化窗口的大小、池化窗口移動步長和Paddingde值。
同樣：
池化窗口大小的數(shù)據(jù)類型是整型，用于確定池化窗口的大小。
池化窗口步長的數(shù)據(jù)類型也是整型，用于確定池化窗口每次移動的步長。
Paddingde值和在torch.nn.Conv2d中定義的Paddingde值的用法和意義時一樣的。

torch.nn.Dropout():torch.nn.Dropout類用于防止卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中發(fā)生過擬合，其工作原理簡單來說就是在模型訓(xùn)練的過程中，以一定的隨機(jī)概率將卷積神經(jīng)網(wǎng)絡(luò)模型的部分參數(shù)歸零，以達(dá)到減少相鄰兩層神經(jīng)連接的目的。

代碼前向傳播forward函數(shù)中的內(nèi)容：

首先，經(jīng)過self.conv1進(jìn)行卷積處理；然后進(jìn)行x.view(-1 ,14 * 14 *128)，對參數(shù)實(shí)現(xiàn)扁平化因?yàn)橹缶o挨著就是全連接層，所以如果不進(jìn)行扁平化處理，則全連接層的實(shí)際輸出的參數(shù)維度和其定義輸入的維度將不匹配，程序會報錯；最后，通過self.dense定義的全連接進(jìn)行最后的分類。

在編輯完搭建卷積神經(jīng)網(wǎng)絡(luò)模型的代碼之后，我們就可以開始對模型進(jìn)行訓(xùn)練和對參數(shù)進(jìn)行優(yōu)化了。首先，定義在訓(xùn)練之前使用哪種損失函數(shù)和優(yōu)化函數(shù)：

model = Model()
cost = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())
# 損失函數(shù)： 交叉熵
# 優(yōu)化函數(shù)： Adam自適應(yīng)優(yōu)化算法，需要優(yōu)化的參數(shù)實(shí)在Model中生成的全部參數(shù)，
#因?yàn)闆]有定義學(xué)習(xí)速率的值，所以使用默認(rèn)值

最后，卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練和參數(shù)優(yōu)化的代碼如下：

epochs_n = 5
for epoch in range(epochs_n):
    running_loss = 0.0
    running_correct = 0
    print("Epoch{}/{}".format(epoch, epochs_n))
    print("-" * 10)
    for data in data_loader_train:
        X_train, y_train = data
        X_train, y_train = Variable(X_train), Variable(y_train)
        outputs = model(X_train)
        _,pred = torch.max(outputs.data, 1)
        optimizer.zero_grad()
        loss = cost(outputs, y_train)

        loss.backward()
        optimizer.step()
        running_loss += loss.data
        running_correct += torch.sum(pred == y_train.data)
    testing_correct = 0
    for data in data_loader_test:
        X_test, y_test = data
        X_test, y_test = Variable(X_test), Variable(y_test)
        outputs = model(X_test)
        _, pred = torch.max(outputs.data, 1)
        testing_correct += torch.sum(pred == y_test.data)
        print("Loss is:{:.4f},Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss / len(data_train),100 * running_correct / len(data_train),100 * testing_correct / len(data_test)))

關(guān)于模型搭建的改動

在此處我對上面模型進(jìn)行了優(yōu)化改動，大大優(yōu)化了運(yùn)行的時間，但是對應(yīng)也減少了一些訓(xùn)練精度。

原理就是，卷積層的運(yùn)算量不會太大，但全連接層的運(yùn)算量比較大，所以降低全連接的參數(shù)量，以及降低圖像特征圖的尺寸

class Model(torch.nn.Module):

    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = torch.nn.Sequential(
            torch.nn.Conv2d(1, 64, kernel_size=3, stride=2, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1),
            torch.nn.ReLU(),
            # torch.nn.MaxPool2d(stride=2, kernel_size=2)
        )

        self.dense = torch.nn.Sequential(
            # torch.nn.Linear(14 * 14 * 128, 1024),
            torch.nn.Linear(7 * 7 * 128, 512),
            torch.nn.ReLU(),
            # torch.nn.Dropout(p=0.5),
            torch.nn.Dropout(p=0.8),
            torch.nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.conv1(x)  # 卷積處理
        # x = x.view(-1, 14*14*128)  # 對參數(shù)實(shí)行扁平化處理
        x = x.view(-1, 7*7*128)  # 對參數(shù)實(shí)行扁平化處理
        x = self.dense(x)
        return x

為了驗(yàn)證我們訓(xùn)練的模型是不是真的已如結(jié)果顯示的一樣準(zhǔn)確，則最好的方法就是隨機(jī)選取一部分測試集中的圖片，用訓(xùn)練好的模型進(jìn)行預(yù)測，看看和真實(shí)值有多大偏差，并對結(jié)果進(jìn)行可視化，測試的代碼如下：

X_test, y_test = next(iter(data_loader_test))
inputs = Variable(X_test)
pred = model(inputs)
_, pred = torch.max(pred,1)

print("Predict Label is:", [i for i in pred.data])
print("Real Label is:", [i for i in y_test])

img = torchvision.utils.make_grid(X_test)
img = img.numpy().transpose(1,2,0)

std = [0.5, 0.5, 0.5]
mean = [0.5, 0.5, 0.5]

img = img*std+mean
plt.imshow(img)
plt.show()

記得末尾一定加上plt.show()

用于測試的數(shù)據(jù)標(biāo)簽結(jié)果輸出如下：

在這里插入圖片描述

在輸出結(jié)果中

第1個結(jié)果是我們訓(xùn)練好的模型的預(yù)測值，第2個結(jié)果是這4個測試數(shù)據(jù)的真實(shí)值。

對測試數(shù)據(jù)進(jìn)行可視化，如下圖所示：

在這里插入圖片描述

可以看到，在上圖可視化的這部分測試集圖片，模型的預(yù)測結(jié)果和真實(shí)結(jié)果是完全一致的。當(dāng)然如果想選取更多的測試集進(jìn)行可視化，則只需將batch_size設(shè)置的更大，但考慮對應(yīng)程序的運(yùn)行速度將會略微降低

總代碼：

import torch
import numpy
import torchvision
import matplotlib.pyplot as plt

from torchvision import datasets, transforms  # torchvision包的主要功能是實(shí)現(xiàn)數(shù)據(jù)的處理、導(dǎo)入和預(yù)覽等
from torch.autograd import Variable

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5])])
data_train = datasets.MNIST(
    transform=transform,
    root="./data/",
    train=True,
    download=True
)
data_test = datasets.MNIST(
    root="./data/",
    transform=transform,
    train=True,
    download=False
)

from torch.utils.data import random_split

data_train, _ = random_split(
    dataset=data_train,
    lengths=[1000, 59000],
    generator=torch.Generator().manual_seed(0)
)
data_test, _ = random_split(
    dataset=data_test,
    lengths=[1000, 59000],
    generator=torch.Generator().manual_seed(0)
)

data_loader_train = torch.utils.data.DataLoader(dataset=data_train,
                                                batch_size=4,
                                                shuffle=True)

data_loader_test = torch.utils.data.DataLoader(dataset=data_test,
                                               batch_size=4,
                                               shuffle=True)


# images, labels = next(iter(data_loader_train))
#
# img = torchvision.utils.make_grid(images)
# img = img.numpy().transpose(1, 2, 0)
#
# std = [0.5]
# mean = [0.5]
# img = img * std + mean
#
# print([labels[i] for i in range(64)])
# plt.imshow(img)
# plt.show()


# class Model(torch.nn.Module):
#
#     def __init__(self):
#         super(Model, self).__init__()
#         self.conv1 = torch.nn.Sequential(
#             torch.nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1),
#             torch.nn.ReLU(),
#             torch.nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
#             torch.nn.ReLU(),
#             torch.nn.MaxPool2d(stride=2, kernel_size=2)
#         )
#
#         self.dense = torch.nn.Sequential(
#             torch.nn.Linear(14 * 14 * 128, 1024),
#             torch.nn.ReLU(),
#             torch.nn.Dropout(p=0.5),
#             torch.nn.Linear(1024, 10)
#         )
#
#     def forward(self, x):
#         x = self.conv1(x)  # 卷積處理
#         x = x.view(-1, 14*14*128)  # 對參數(shù)實(shí)行扁平化處理
#         x = self.dense(x)
#         return x

class Model(torch.nn.Module):

    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = torch.nn.Sequential(
            torch.nn.Conv2d(1, 64, kernel_size=3, stride=2, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1),
            torch.nn.ReLU(),
            # torch.nn.MaxPool2d(stride=2, kernel_size=2)
        )

        self.dense = torch.nn.Sequential(
            # torch.nn.Linear(14 * 14 * 128, 1024),
            torch.nn.Linear(7 * 7 * 128, 512),
            torch.nn.ReLU(),
            # torch.nn.Dropout(p=0.5),
            torch.nn.Dropout(p=0.8),
            torch.nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.conv1(x)  # 卷積處理
        # x = x.view(-1, 14*14*128)  # 對參數(shù)實(shí)行扁平化處理
        x = x.view(-1, 7 * 7 * 128)  # 對參數(shù)實(shí)行扁平化處理
        x = self.dense(x)
        return x


model = Model()
cost = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())

epochs_n = 5
for epoch in range(epochs_n):
    running_loss = 0.0
    running_correct = 0
    print("Epoch{}/{}".format(epoch, epochs_n))
    print("-" * 10)

    for data in data_loader_train:
        X_train, y_train = data
        X_train, y_train = Variable(X_train), Variable(y_train)
        outputs = model(X_train)
        _, pred = torch.max(outputs.data, 1)
        optimizer.zero_grad()
        loss = cost(outputs, y_train)

        loss.backward()
        optimizer.step()
        running_loss += loss.data
        running_correct += torch.sum(pred == y_train.data)
    testing_correct = 0
    for data in data_loader_test:
        X_test, y_test = data
        X_test, y_test = Variable(X_test), Variable(y_test)
        outputs = model(X_test)
        _, pred = torch.max(outputs.data, 1)
        testing_correct += torch.sum(pred == y_test.data)
        print("Loss is:{:.4f},Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss / len(data_train),
                                                                                         100 * running_correct / len(
                                                                                             data_train),
                                                                                         100 * testing_correct / len(
                                                                                             data_test)))

X_test, y_test = next(iter(data_loader_test))
inputs = Variable(X_test)
pred = model(inputs)
_, pred = torch.max(pred, 1)

print("Predict Label is:", [i for i in pred.data])
print("Real Label is:", [i for i in y_test])

img = torchvision.utils.make_grid(X_test)
img = img.numpy().transpose(1, 2, 0)

std = [0.5, 0.5, 0.5]
mean = [0.5, 0.5, 0.5]

img = img * std + mean
plt.imshow(img)
plt.show()

測試

最后，關(guān)于這類代碼的運(yùn)行時間的需求都是巨大的，所以短時間內(nèi)出不來很正常，盡量別中途中斷程序，若你想檢測程序是否運(yùn)行：

epochs_n = 5
for epoch in range(epochs_n):
    running_loss = 0.0
    running_correct = 0
    print("Epoch{}/{}".format(epoch, epochs_n))
    print("-" * 10)
    
    iter = 0
    for data in data_loader_train:
    
        iter+=1
        
        print(iter)
        X_train, y_train = data
        X_train, y_train = Variable(X_train), Variable(y_train)
        outputs = model(X_train)
        _, pred = torch.max(outputs.data, 1)
        optimizer.zero_grad()
        loss = cost(outputs, y_train)

        loss.backward()
        optimizer.step()
        running_loss += loss.data
        running_correct += torch.sum(pred == y_train.data)
    testing_correct = 0
    for data in data_loader_test:
        X_test, y_test = data
        X_test, y_test = Variable(X_test), Variable(y_test)
        outputs = model(X_test)
        _, pred = torch.max(outputs.data, 1)
        testing_correct += torch.sum(pred == y_test.data)
        print("Loss is:{:.4f},Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss / len(data_train),
                                                                                         100 * running_correct / len(
                                                                                             data_train),
                                                                                         100 * testing_correct / len(
                                                                                             data_test)))

你可以在此處加上一個int型的測試變量iter，通過觀察iter是否累加迭代來判斷程序是否繼續(xù)在運(yùn)行

在這里插入圖片描述