河北平台网站建设,微盟集团,黄骅港引航站,建设零食网站的可行性文章目录 什么是LeNet代码实现网络架构 什么是LeNet
LeNet是一种经典的卷积神经网络#xff0c;由Yann LeCun等人在1998年提出。它是深度学习中第一个成功应用于手写数字识别的卷积神经网络#xff0c;并且被认为是现代卷积神经网络的基础。
LeNet模型包含了多个卷积层和池… 文章目录 什么是LeNet代码实现网络架构 什么是LeNet
LeNet是一种经典的卷积神经网络由Yann LeCun等人在1998年提出。它是深度学习中第一个成功应用于手写数字识别的卷积神经网络并且被认为是现代卷积神经网络的基础。
LeNet模型包含了多个卷积层和池化层以及最后的全连接层用于分类。其中每个卷积层都包含了一个卷积操作和一个非线性激活函数用于提取输入图像的特征。池化层则用于缩小特征图的尺寸减少模型参数和计算量。全连接层则将特征向量映射到类别概率上。 代码实现网络架构
如何搭建网络模型参考博客Pytorch学习笔记模型训练 我们采用CIFAR-10数据集进行训练测试上面网络模型是1个channel的32x32而我们的数据集是3个channel的32x32模型结构不变改变一下输入输出大小。 model.py:
import torch
from torch import nn# 搭建网络模型
class LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()self.model nn.Sequential(nn.Conv2d(3, 16, kernel_size5, stride1, padding0),nn.ReLU(),nn.MaxPool2d(kernel_size2),nn.Conv2d(16, 32, kernel_size5, stride1, padding0),nn.ReLU(),nn.MaxPool2d(kernel_size2),nn.Flatten(),nn.Linear(32 * 5 * 5, 120),nn.ReLU(),nn.Linear(120, 84),nn.ReLU(),nn.Linear(84, 10),)def forward(self, x):x self.model(x)return x# 测试
if __name__ __main__:leNet LeNet()input torch.ones((64, 3, 32, 32))output leNet(input)print(output.shape)
train.py
import torch.optim
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterfrom learning.lenet.model import LeNet# 1. 数据集
dataset_train torchvision.datasets.CIFAR10(./data, trainTrue, transformtorchvision.transforms.ToTensor(),downloadTrue)
dataset_test torchvision.datasets.CIFAR10(./data, trainTrue, transformtorchvision.transforms.ToTensor(),downloadTrue)
train_data_size len(dataset_train)
test_data_size len(dataset_test)
# 2. 加载数据集
dataloader_train DataLoader(dataset_train, batch_size64)
dataloader_test DataLoader(dataset_test, batch_size64)# 3. 搭建model
leNet LeNet()
if torch.cuda.is_available():leNet leNet.cuda()# 4. 创建损失函数
loss_fn nn.CrossEntropyLoss()
if torch.cuda.is_available():loss_fn loss_fn.cuda()# 5. 优化器
learning_rate 0.1
optimizer torch.optim.SGD(leNet.parameters(), lrlearning_rate) # 随机梯度下降# 6. 设置训练网络的一些参数
total_train_step 0 # 记录训练次数
total_test_step 0 # 训练测试次数
epoch 5 # 训练轮数# 补充tensorboard
writer SummaryWriter(../../logs)# 开始训练
for i in range(epoch):print(f--------第{i1}轮训练开始--------)# 训练leNet.train()for data in dataloader_train:imgs, targets dataif torch.cuda.is_available():imgs imgs.cuda()targets targets.cuda()outputs leNet(imgs)loss loss_fn(outputs, targets)optimizer.zero_grad()loss.backward()optimizer.step()total_train_step 1if total_train_step % 100 0:print(f训练次数{total_train_step}---loss{loss.item()})writer.add_scalar(train_loss, loss.item(), total_train_step)# 测试leNet.eval()total_test_loss 0 # 总体的误差total_accuracy 0 # 总体的正确率with torch.no_grad():for data in dataloader_test:imgs, targets dataif torch.cuda.is_available():imgs imgs.cuda()targets targets.cuda()outputs leNet(imgs)loss loss_fn(outputs, targets)total_test_loss loss.item()accuracy (outputs.argmax(1) targets).sum()total_accuracy accuracyprint(f整体测试集上的loss{total_test_loss})print(f整体测试集上的准确率{total_accuracy/test_data_size})writer.add_scalar(test_loss, total_test_loss, total_test_step)writer.add_scalar(total_accuracy, total_accuracy/test_data_size, total_test_step)total_test_step 1# 保存每一轮训练的模型torch.save(leNet, fleNet_{i1}.pth)print(模式已保存)writer.close() 5轮训练中第5轮的准确率是最高的采用第5轮的模型进行测试
test.py
import torch
import torchvision.transforms
from PIL import Imagefrom learning.lenet.model import LeNet# 需要测试的图片
image_path ../../imgs/airplane.png
image Image.open(image_path)
image image.convert(RGB) # png图片多了一个透明度通道修改成rgb三个通道
transform torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),torchvision.transforms.ToTensor()])
image transform(image)
print(image.shape)# 引入网络架构# 读取网络模型 如果保存的模型是通过gpu训练出来的需要添加 map_locationtorch.device(cpu)
model_load torch.load(leNet_5.pth, map_locationtorch.device(cpu))
# 原有的图片是没有bitch-size的而我们的输入是需要的
image torch.reshape(image, (1, 3, 32, 32))
model_load.eval()
with torch.no_grad():outputs model_load(image)
print(outputs)classes (plane, car, bird, cat,deer, dog, frog, horse, ship, truck)print(classes[outputs.argmax(1)])
