Pytorch实现CNN实验

一、实验要求

用 python 的 Pytorch模块实现卷积神经网络。网络结构为一个输入层、两个卷积层、一个全连接层、一个输出层。

二、实验目的

1. 实现一个包含卷积层、池化层和全连接层的卷积神经网
2. 了解如何在训练数据集上使用反向传播算法和Adam优化算法训练神经网络。
3. 加深对卷积神经网络的了解

三、实验过程 

 1.搭建卷积神经网络

 1）导入库

导入了PyTorch和相关库，包括神经网络模块 (nn) 和用于图像处理的torchvision模块，以及用于显示进度条的tqdm库

2）定义超参数和设备

定义了批量大小、训练周期数、学习率和保留概率，并检查是否有可用的CUDA设备。

3）数据预处理和加载

定义了数据预处理的转换（将图像转为张量并进行标准化），并加载了MNIST数据集，并创建了训练和测试数据加载器

4）定义卷积神经网络模型

使用nn.Sequential定义了一个简单的卷积神经网络模型。模型包含两个卷积层、池化层、全连接层以及一些激活函数和dropout层。

5）定义损失函数和优化器

使用交叉熵损失和Adam优化器

6）训练和测试循环

2.对模型进行优化、改进

1）运行程序，发现只有每轮训练的测试集结果输出，并没有整个训练测试集结果输出

增加相关代码，输出整体Loss和Acc

2）调整网络模型

去掉一层卷积和一层池化

增加一层卷积和一层池化 

调整卷积核大小为3*3 

3）调整学习率

调整学习率为1e-5

调整学习率为1e-3 

4）调整epochs

调整epochs为15

调整epochs为20 

四、实验结果

        经过多次调参，优化模型，发现两层卷积层，两层池化层，卷积核大小为2*2，学习率为1e-4，epochs为20时，得出的准确率最高。

五、实验总结

        在这个实验中，我使用了PyTorch搭建了一个简单的卷积神经网络（CNN）来进行手写数字（MNIST数据集）的分类任务。首先定义了网络模型，包含了卷积层、池化层和全连接层，通过使用ReLU激活函数和Dropout来增强模型的性能，并且使用了交叉熵损失函数和Adam优化器进行模型的训练，在每个epoch中使用训练集和测试集进行了模型的训练和评估。同时通过修改模型结构。卷积核的大小，学习率等操作进行优化模型，最终发现增大epoch可以使准确率增大，最终可达0.9953.

        实验中也遇到了一些问题，比如在测试集输出中没有总的Loss和Accuracy，通过对代码的调整，成功地添加了这些信息，提高了实验的完整性，更好对比实验结果。并且，刚开始更改模型结构遇到很多困难，有时候因为一个小细节没有注意到，导致修改出错。