2020-10-19 21:48:57

docs/pytorch/16.md

@@ -8,7 +8,7 @@
 
 ## MNIST手写数据
 
-```
+```py
 import torch
 import torch.nn as nn
 from torch.autograd import Variable
@@ -40,7 +40,7 @@ train_data = torchvision.datasets.MNIST(
 
 同样, 我们除了训练数据, 还给一些测试数据, 测试看看它有没有训练好.
 
-```
+```py
 test_data = torchvision.datasets.MNIST(root=\\'./mnist/\\', train=False)
 
 # 批训练 50samples, 1 channel, 28x28 (50, 1, 28, 28)
@@ -55,7 +55,7 @@ test_y = test_data.test_labels[:2000]
 
 和以前一样, 我们用一个 class 来建立 CNN 模型. 这个 CNN 整体流程是 卷积( Conv2d ) -> 激励函数( ReLU ) -> 池化, 向下采样 ( MaxPooling ) -> 再来一遍 -> 展平多维的卷积成的特征图 -> 接入全连接层 ( Linear ) -> 输出
 
-```
+```py
 class CNN(nn.Module):
     def __init__(self):
         super(CNN, self).__init__()
@@ -107,7 +107,7 @@ CNN (
 
 下面我们开始训练, 将  y 都用 Variable 包起来, 然后放入 cnn 中计算 output, 最后再计算误差. 下面代码省略了计算精确度 accuracy 的部分, 如果想细看 accuracy 代码的同学, 请去往我的 github 看全部代码.
 
-```
+```py
 optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)   # optimize all cnn parameters
 loss_func = nn.CrossEntropyLoss()   # the target label is not one-hotted
 
@@ -134,7 +134,7 @@ Epoch:  0 | train loss: 0.0078 | test accuracy: 0.98
 
 最后我们再来取10个数据, 看看预测的值到底对不对:
 
-```
+```py
 test_output = cnn(test_x[:10])
 pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze()
 print(pred_y, \\'prediction number\\')