当前位置: 首页 > article >正文

神经网络-LeNet

 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', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_set, batch_size=36, shuffle=False, num_workers=0)
  • 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(), lr=0.001)
  • 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 = 0.0
    
    for step, data in enumerate(train_loader, start=0):
        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, dim=1)[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 = 0.0
                
print('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Weight=hight

  • F表示核的大小,核大小一般为F * F

  • P表示Padding,Conv2d中默认是0

  • S表示步长

因此对于32*32的输入,在该网络中Output=(32-5+2*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


http://www.kler.cn/a/450542.html

相关文章:

  • 大语言模型学习工具及资源总结和落地应用
  • Android 之 List 简述
  • 容器技术所涉及Linux内核关键技术
  • 如何完全剔除对Eureka的依赖,报错Cannot execute request on any known server
  • Apache RocketMQ 5.1.3安装部署文档
  • V900新功能-电脑不在旁边,通过手机给PLC远程调试网关配置WIFI联网
  • OBIEE 12C 功能测试:运行总和的运用
  • 概率论 期末 笔记
  • JVM系列(十三) -常用调优工具介绍
  • 14-C语言多文件编程
  • CES Asia(赛逸展)有哪些科技创新产品?
  • 静态路由配置包括DHCP
  • 华为ensp--BGP路由反射器
  • 数据库操作【JDBC HIbernate Mybatis】
  • C#变量作用域详解
  • uni-app 统一请求处理 请求拦截器 响应拦截器 请求封装
  • 熊军出席ACDU·中国行南京站,详解SQL管理之道
  • 大数据-258 离线数仓 - Griffin架构 配置安装 Livy 架构设计 解压配置 Hadoop Hive
  • OpenGL 笔记(2)
  • 家用无线路由器的 2.4GHz 和 5GHz
  • flink+kafka实现流数据处理学习
  • VSCode 性能优化指南:提高编码效率,减少资源占用
  • [机器学习]sklearn入门指南(1)
  • 量子模拟器市场的增长潜力与未来趋势
  • Windows内核开发环境配置
  • 51c大模型~合集95