LeNet-5是一个经典的卷积神经网络模型,通常用于手写数字识别任务。以下是一个使用PyTorch实现LeNet-5模型的示例代码和训练文档。

环境准备

首先,确保你已经安装了以下库:

  • PyTorch:用于构建和训练神经网络模型
  • torchvision:用于加载和预处理图像数据集

你可以使用以下命令安装这些库:

pip install torch torchvision

导入库和数据集

首先,让我们导入所需的库并加载MNIST手写数字数据集。PyTorch的torchvision库提供了方便的函数来加载和预处理MNIST数据集。

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
from torchvision.datasets import MNIST
from torch.utils.data import DataLoader

# 设置随机种子以确保可重复性
torch.manual_seed(42)

# 定义训练和测试数据的转换器
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载MNIST数据集
train_dataset = MNIST(root='data/', train=True, transform=transform, download=True)
test_dataset = MNIST(root='data/', train=False, transform=transform)

# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

定义LeNet-5模型

接下来,我们定义LeNet-5模型。LeNet-5由卷积层、池化层和全连接层组成。

class LeNet5(nn.Module):
    def __init__(self):
        super(LeNet5, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5)
        self.avgpool1 = nn.AvgPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
        self.avgpool2 = nn.AvgPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.avgpool1(torch.relu(self.conv1(x)))
        x = self.avgpool2(torch.relu(self.conv2(x)))
        x = x.view(x.size(0), -1)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 创建LeNet-5模型实例
model = LeNet5()

定义损失函数和优化器

我们使用交叉熵损失函数和随机梯度下降(SGD)优化器来训练LeNet-5模型。

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

训练模型

接下来,我们定义训练函数来训练LeNet-5模型。

def train(model, train_loader, criterion, optimizer, num_epochs):
    model.train()

    for epoch in range(num_epochs):
        running_loss = 0.0
        for i, (inputs, labels) in enumerate(train_loader):
            optimizer.zero_grad()

            # 前向传播和计算损失
            outputs = model(inputs)
            loss = criterion(outputs, labels)

            # 反向传播和优化
            loss.backward()
            optimizer.step()

            running_loss += loss.item()

            if (i + 1) % 100 == 0:
                print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch + 1, num_epochs, i + 1, len(train_loader), running_loss / 100))
                running_loss = 0.0

# 训练模型
train(model, train_loader, criterion, optimizer, num_epochs=10)

测试模型

最后,我们定义测试函数来评估LeNet-5模型的性能。

def test(model, test_loader):
    model.eval()
    correct = 0
    total = 0

    with torch.no_grad():
        for inputs, labels in test_loader:
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    accuracy = 100 * correct / total
    print('Test Accuracy: {:.2f}%'.format(accuracy))

# 测试模型
test(model, test_loader)

这就是使用PyTorch实现LeNet-5模型的示例代码和训练文档。你可以根据自己的需求进行修改和扩展

请生成lenet5训练文档需要有主要部分的代码

原文地址: https://www.cveoy.top/t/topic/hRC2 著作权归作者所有。请勿转载和采集!

免费AI点我,无需注册和登录