目录
一、准备MNIST数据集
二、LeNet模型构建
三、完整代码
本篇博客教大家使用MNIST数据集基于Pytorch框架实现比较经典的一种卷积神经网络：LeNet。
运行环境：python 3.6.12，pytorch 1.6.0，torchvision 0.7.0
MNIST是一个非常经典的手写字数据库，官网网址请点击，需要的可自行下载。不过，Pytorch为我们提供了快速下载并加载MNIST数据集的方法，本博客采用此方法下载数据集，具体代码如下：
其中transforms是图像数据预处理的方法。transforms.ToTensor()是将数据转化为Tensor对象，transforms.Normalize()是对数据进行归一化。具体用法可上网查找，或看官方手册。datasets.MNIST的第一个参数指定了数据集下载和存储的文件夹，可根据需要修改。train=True表示读取训练数据，train=False表示读取测试数据。download=False表示不下载MNIST数据集，因为博主已经下载过，所以是False，如果没有下载将其改为True，下载完成后改为False即可。transform=transform表示使用上面的数据预处理方法对MNIST数据集进行处理。
设置好相应参数之后(download=True)，运行上述代码即可自动下载MNIST数据集，并保存到同目录下的data文件夹。
接下来构建LeNet模型。LeNet的网络结构如下图所示，一共7层。其中C1，C3，C5为卷积层，S2，S4为降采样层，F6为全连接层，还有一个输出层。网络结构比较简单，这里不进行具体分析，想要了解的可自行查找。
具体代码如下：
定义了LeNet类，首先运行父类初的始化函数，并对LeNet的各个层进行了实现。然后定义了forward()函数，即前向传播。
接下来初始化LeNet，并设置使用CPU或GPU运行。使用交叉熵损失函数，Adam优化器，出示学习率设置为0.001。如果电脑有GPU则在GPU上运行，反之在CPU上运行。
接下来，使用Dataloader加载训练集。shuffle=True表示打乱数据顺序。
在上述工作完成后，开始对网络进行训练。设置epoch=5，使用enumetrate加载数据，并进行前向传播与反向传播。每一千个batch输出一次训练结果，如果训练损失低于1e-5，则保存模型并停止训练。
在训练完成后，使用测试集测试模型的泛华效果，避免过拟合。仍然使用Dataloader加载测试集。
对测试模块进行完善，统计测试结果，并输出测试集准确率。
至此，数据集加载、模型的构建、训练与测试全部完成。
完整代码如下。
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/7094.html