2.5.LeNet

1.LeNet

​ LeNet-5由两个部分组成:

  • 卷积编码器:由两个卷积层组成
  • 全连接层密集块:由三个全连接层组成

​ 先试用卷积层来学习图片空间信息,然后使用全连接层来转换到类别空间

​ 第一层卷积层要padding一下,收集边框的信息,然后增加一下输出通道,激活后平均池化,输出一个1*6*14*14的向量,图变小了,但输出通道便多了,实际上信息还是变多了。

​ 第二层卷积继续压缩信息,压缩到[1,16,5,5]。

​ 然后flatten变为一维的,进行全连接。

2.代码实现

python 复制代码
import torch
from torch import nn
from d2l import torch as d2l
import torch_directml


class Reshape(torch.nn.Module):
    def forward(self, x):
        return x.view(-1, 1, 28, 28)


device = torch_directml.device()

net = nn.Sequential(
    # 输入通道为1,输出通道为6,输入的是28*28的图片,并用非线性函数Sigmoid来激活
    Reshape(), nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),  # 32*32
    nn.AvgPool2d(kernel_size=2, stride=2),  # 步幅为2,2乘2的卷积核不会重叠, 32-5+1= 28 28*28
    nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),  # 28/2 14*14
    nn.AvgPool2d(kernel_size=2, stride=2),  # 需要算一下这个形状   14-5+1 =10 10*10
    nn.Flatten(),  # 16个输出通道,5*5,进行一个展平为一维向量  10/2 =5 5*5
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.Sigmoid(),
    nn.Linear(84, 10))

X = torch.rand(size=(1, 1, 28, 28), dtype=torch.float32)
# 看一下每一层的形状,一个小技巧
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__, 'output shape: \t', X.shape)

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)


# 评估训练,复制到显存中
def evaluate_accuracy_gpu(net, data_iter, device=None):  # @save
    """使用GPU计算模型在数据集上的精度"""
    if isinstance(net, nn.Module):
        net.eval()  # 设置为评估模式
        if not device:  # 如果没有输入device,则取出来看一下存在哪儿
            device = next(iter(net.parameters())).device
    # 正确预测的数量,总预测的数量
    metric = d2l.Accumulator(2)
    with torch.no_grad():
        for X, y in data_iter:
            if isinstance(X, list):
                # BERT微调所需的(之后将介绍)
                X = [x.to(device) for x in X]
            else:
                X = X.to(device)
            y = y.to(device)
            metric.add(d2l.accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

#第六章的训练函数,调用GPU
#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
    """用GPU训练模型(在第六章定义)"""
    def init_weights(m):
        if type(m) == nn.Linear or type(m) == nn.Conv2d:
            nn.init.xavier_uniform_(m.weight) #xavier初始化
    net.apply(init_weights)
    print('training on', device)
    net.to(device)
    optimizer = torch.optim.SGD(net.parameters(), lr=lr)
    loss = nn.CrossEntropyLoss()
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
                            legend=['train loss', 'train acc', 'test acc'])
    timer, num_batches = d2l.Timer(), len(train_iter)
    for epoch in range(num_epochs):
        # 训练损失之和,训练准确率之和,样本数
        metric = d2l.Accumulator(3)
        net.train()
        for i, (X, y) in enumerate(train_iter):
            timer.start()#计时
            optimizer.zero_grad()#梯度清0
            X, y = X.to(device), y.to(device)#将数据移动
            y_hat = net(X)#调用神经网络,进行输出
            l = loss(y_hat, y)#计算损失
            l.backward()#传播
            optimizer.step()#应用传播
            with torch.no_grad():#
                metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])
                #三个参数分别为损失率乘数据量,准确的数量,数据量
            timer.stop()
            train_l = metric[0] / metric[2]
            train_acc = metric[1] / metric[2]
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (train_l, train_acc, None))
        test_acc = evaluate_accuracy_gpu(net, test_iter)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {train_l:.3f}, train acc {train_acc:.3f}, '
          f'test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec '
          f'on {str(device)}')

lr, num_epochs = 0.9, 10
print(d2l.try_gpu())
train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

结果:loss 0.462, train acc 0.828, test acc 0.823

15455.8 examples/sec on cpu

相关推荐
羊小猪~~26 分钟前
神经网络基础--什么是正向传播??什么是方向传播??
人工智能·pytorch·python·深度学习·神经网络·算法·机器学习
软工菜鸡1 小时前
预训练语言模型BERT——PaddleNLP中的预训练模型
大数据·人工智能·深度学习·算法·语言模型·自然语言处理·bert
哔哩哔哩技术2 小时前
B站S赛直播中的关键事件识别与应用
深度学习
deephub2 小时前
Tokenformer:基于参数标记化的高效可扩展Transformer架构
人工智能·python·深度学习·架构·transformer
___Dream2 小时前
【CTFN】基于耦合翻译融合网络的多模态情感分析的层次学习
人工智能·深度学习·机器学习·transformer·人机交互
极客代码2 小时前
【Python TensorFlow】入门到精通
开发语言·人工智能·python·深度学习·tensorflow
王哈哈^_^4 小时前
【数据集】【YOLO】【VOC】目标检测数据集,查找数据集,yolo目标检测算法详细实战训练步骤!
人工智能·深度学习·算法·yolo·目标检测·计算机视觉·pyqt
写代码的小阿帆4 小时前
pytorch实现深度神经网络DNN与卷积神经网络CNN
pytorch·cnn·dnn
是瑶瑶子啦4 小时前
【深度学习】论文笔记:空间变换网络(Spatial Transformer Networks)
论文阅读·人工智能·深度学习·视觉检测·空间变换
wangyue45 小时前
c# 深度模型入门
深度学习