汽车租赁企业网站源码,果洛营销网站建设公司,南里商濮阳网站建设,运营好还是网站开发好LeNet在1990年被提出#xff0c;是一系列网络的统称#xff0c;包括了LeNet1~LeNet5#xff0c;对于神经网络的学习者来说#xff0c;大家对下面这个图一定很熟悉#xff0c;该图是对LeNet的简化展示。 在LeNet中已经提出了卷积层、Pooling层等概念#xff0c;只是但是由… LeNet在1990年被提出是一系列网络的统称包括了LeNet1~LeNet5对于神经网络的学习者来说大家对下面这个图一定很熟悉该图是对LeNet的简化展示。 在LeNet中已经提出了卷积层、Pooling层等概念只是但是由于缺乏大量数据和计算机硬件资源限制导致LeNet的表现并不理想。
LeNet网络结构
LeNet的构成很简单包括了基础的卷积层、池化层和全连接层原始的LeNet使用的是灰度图像下面示例中使用彩色图像进行说明不影响网络的理解。 定义网络层
# 定义网络
class LeNet(nn.Module): #继承来着nn.Module的父类def __init__(self): # 初始化网络#super()继承父类的构造函数多继承需用到super函数super(LeNet, self).__init__()# 定义卷积层[深度卷积核数卷积核大小]self.conv1 nn.Conv2d(3, 16, 5)# 最大池化[核大小步长]self.pool1 nn.MaxPool2d(2, 2)self.conv2 nn.Conv2d(16, 32, 5)self.pool2 nn.MaxPool2d(2, 2)# 全连接层self.fc1 nn.Linear(32*5*5, 120)self.fc2 nn.Linear(120, 84)# 根据训练项目调整类别数self.fc3 nn.Linear(84, 10)#图像参数变化def forward(self, x): # input(3, 32, 32) x F.relu(self.conv1(x)) #output(16, 28, 28)x self.pool1(x) # output(16, 14, 14)x F.relu(self.conv2(x)) # output(32, 10, 10)x self.pool2(x) # output(32, 5, 5)x x.view(-1, 32*5*5) # output(32*5*5)x F.relu(self.fc1(x)) # output(120)x F.relu(self.fc2(x)) # output(84)x self.fc3(x) # output(10)return x
网络结构如下下面将对每一层做一个介绍 网络中feature map的变化大致如下 LeNet实例应用 数据预处理
# 对数据进行预处理
transform transforms.Compose([# 将输入的 numpy.ndarry[h*w*c]转变为[c*h*w]像素点值从[0,255]标准化为[0,1]transforms.ToTensor(),# 将数据进行标注化transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]
) 数据读取
如果是初次使用CIFAR需要将download打开也可以自行通过其他方式进行下载。
# 读取数据-训练集
train_set torchvision.datasets.CIFAR10(root./data, trainTrue, downloadTrue, transformtransform)
train_loader torch.utils.data.DataLoader(train_set, batch_size36, shuffleFalse, num_workers0) 定义网络
通过LeNet中的介绍完成网络的定义。 定义损失函数和优化器
pytorch支持很多损失函数和优化器可以根据需要进行设定
# 定义损失函数
loss_function nn.CrossEntropyLoss()# 定义优化器
optimizer optim.Adam(net.parameters(), lr0.001) 模型训练
# 开始训练设置迭代轮次 epoch
for epoch in range(3):# 损失函数值running_loss 0.0for step, data in enumerate(train_loader, start0):inputs, labels data# 清除梯度累加值optimizer.zero_grad()outputs net(inputs.to(device))# 计算损失值loss loss_function(outputs, labels.to(device))# 计算梯度loss.backward()# 参数更新optimizer.step()# 输出损失值running_loss loss.item()if step % 500 499:with torch.no_grad():outputs net(val_image.to(device))# 输出最大概率predict_y torch.max(outputs, dim1)[1]accuracy (predict_y val_label.to(device)).sum().item() / val_label.size(0)print([%d, %5d] train_Loss:%.3f tese_accuracy: %.3f % (epoch 1, step 1, running_loss/500, accuracy))running_loss 0.0print(train finished) 保存模型
# 保存模型
save_path ./Lenet.pth
torch.save(net.state_dict(), save_path)
补充 Pytorch中tensor的顺序是[batch, channel, height, width] 卷积层中计算输出大小 W表示输入图像的Weight一般Weighthight F表示核的大小核大小一般为F * F P表示PaddingConv2d中默认是0 S表示步长
因此对于32*32的输入在该网络中Output32-52*0/1 1 28 池化层只改变特征的高和宽不改变深度
因此对于16*28*28经过MaxPooling后变成了16*14*14
