python与机器学习（七）上——PyTorch搭建LeNet模型进行MNIST分类

任务要求：利用PyTorch框架搭建一个LeNet模型，并针对MNIST数据集进行训练和测试。
数据集：MNIST

导入：

import torch
from torch import nn, optim
from torch.autograd import Variable
from torch.nn import functional as F
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
# %matplotlib inline

use_gpu = True if torch.cuda.is_available() else False
print('Use GPU:', use_gpu)

运行结果如下：

Use GPU: True

1. 数据集加载：

利用torchvision的datasets加载MNSIT数据集

transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize([0.5],[0.5])]
)batch_size = 64
train_dataset = datasets.MNIST(root='./data/', train=True, transform=transform, download=True)
print(train_dataset)train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
train_num = len(train_dataset)
print('train image num:', train_num)

运行结果如下：

Dataset MNISTNumber of datapoints: 60000Root location: ./data/Split: TrainStandardTransform
Transform: Compose(ToTensor()Normalize(mean=[0.5], std=[0.5]))
train image num: 60000

test_dataset = datasets.MNIST(root='./data/', train=False, transform=transform, download=True)
print(test_dataset)test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=True)
test_num = len(test_dataset)
print('test image num:', test_num)

运行结果如下：

Dataset MNISTNumber of datapoints: 10000Root location: ./data/Split: TestStandardTransform
Transform: Compose(ToTensor()Normalize(mean=[0.5], std=[0.5]))
test image num: 10000

2. LeNet模型构建：

利用PyTorch构建LeNet模型类

class LeNet(nn.Module):''' 请在下方编写LeNet模型的代码 '''def __init__(self):super(LeNet,self).__init__()self.conv1 = nn.Conv2d(1, 6, 5, 1,)self.conv2 = nn.Conv2d(6, 16, 5, 1)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:1*28*28x = F.max_pool2d(self.conv1(x), 2, 2)x = F.max_pool2d(self.conv2(x), 2, 2)x = x.view(-1, 16*4*4)x = self.fc1(x)x = self.fc2(x)x = self.fc3(x)return F.log_softmax(x,dim=1)
cnn = LeNet()
if use_gpu:cnn = cnn.cuda()
print(cnn)

运行结果如下：

LeNet((conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(fc1): Linear(in_features=256, out_features=120, bias=True)(fc2): Linear(in_features=120, out_features=84, bias=True)(fc3): Linear(in_features=84, out_features=10, bias=True)
)

3. 优化器和损失函数：

定义优化器(SGD/Adam)和交叉熵损失函数

# 优化器
import torch.optim as optim
# ''' 请在下方编写优化器定义代码 '''
optimizer = torch.optim.Adam(cnn.parameters(), lr=0.001, betas=(0.9, 0.99))
print(optimizer)# output = cnn(data)
from torch.nn import functional as F
# 损失函数
# ''' 请在下方编写损失函数定义代码 '''criterion = nn.CrossEntropyLoss(size_average=False)#         loss = F.cross_entropy(output,target)  #交叉熵损失函数
print(criterion)

运行结果如下：

Adam (
Parameter Group 0amsgrad: Falsebetas: (0.9, 0.99)eps: 1e-08lr: 0.001weight_decay: 0
)
CrossEntropyLoss()

4. 模型训练和测试：

模型训练函数(要求间隔记录输出损失函数及正确率)

# 训练CNN模型
def train(epoch):cnn.train()train_loss = 0correct = 0for batch_idx, (data, label) in enumerate(train_loader):''' 请在下方编写计算损失函数、预测正确数、误差反向传播、梯度更新相关代码 '''output = cnn(data)optimizer.zero_grad()loss = criterion(output,label)loss.backward()optimizer.step()                       #相当于更新权重值pred = output.max(1, keepdim=True)[1] # 找到概率最大的下标correct += pred.eq(label.view_as(pred)).sum().item()# 输出训练阶段loss信息train_loss += loss.item()train_loss_list.append(loss.item())if batch_idx % 200 == 0:print('Train Epoch: {} [{:05d}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), train_num,100 * batch_idx * len(data) / train_num, loss.item()))train_loss /= train_numaccuracy = correct / train_numtrain_acc_list.append(accuracy)# 输出训练阶段loss信息print('Train Epoch: {}\tAverage loss: {:.4f}\tAccuracy: {}/{} ({:.2f}%)'.format(epoch, train_loss, correct, train_num, 100.0 * accuracy))

模型测试函数(要求间隔记录输出损失函数及正确率)

# 测试CNN模型
def test():cnn.eval()test_loss = 0correct = 0for data, label in test_loader:if use_gpu:  # 使用GPUdata, label = Variable(data).cuda(), Variable(label).cuda()''' 请在下方编写计算损失函数、预测正确数相关代码 '''output = cnn(data)loss = criterion(output, label) # 将一批的损失相加pred = output.max(1, keepdim=True)[1] # 找到概率最大的下标correct += pred.eq(label.view_as(pred)).sum().item()test_loss += loss.item()test_loss_list.append(loss.item())test_loss /= test_numaccuracy = correct / test_numtest_acc_list.append(accuracy)# 输出测试阶段loss信息print('Test Epoch: {}\tAverage loss: {:.4f}\tAccuracy: {}/{} ({:.2f}%)\n'.format(epoch, test_loss, correct, test_num, 100.0 * accuracy))

train_loss_list = []
test_loss_list = []
train_acc_list = []
test_acc_list = []
epoch_num = 10for epoch in range(1, epoch_num+1):# 每轮训练完测试train(epoch)test()

5. 损失函数和正确率曲线：

训练损失函数图 & 测试损失函数图 & 训练/测试正确率图

plt.figure(figsize=(12,6))
plt.plot(train_loss_list)
plt.title('train loss', fontsize=18)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.grid()
plt.show()plt.figure(figsize=(12,6))
plt.plot(test_loss_list)
plt.title('test loss', fontsize=18)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.grid()
plt.show()plt.figure(figsize=(12,8))
plt.plot(train_acc_list, 'o-')
plt.plot(test_acc_list, 'o-')
plt.title('Accuracy', fontsize=18)
plt.xlabel('Epoch', fontsize=16)
plt.ylabel('Accuracy', fontsize=16)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.legend(['Train', 'Test'], fontsize=16)
plt.grid()
plt.show()

运行结果如下：

python与机器学习（七）上——PyTorch搭建LeNet模型进行MNIST分类相关推荐

使用pytorch搭建MLP多层感知器分类网络判断LOL比赛胜负
使用pytorch搭建MLP多层感知器分类网络判断LOL比赛胜负 1. 数据集百度网盘链接,提取码:q79p 数据集文件格式为CSV.数据集包含了大约5万场英雄联盟钻石排位赛前15分钟的数据集合,总 ...
基于PyTorch搭建CNN实现视频动作分类任务代码详解
数据及具体讲解来源: 基于PyTorch搭建CNN实现视频动作分类任务 import torch import torch.nn as nn import torchvision.transforms ...
[Python图像识别] 四十八.Pytorch构建Faster-RCNN模型实现小麦目标检测
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
机器学习(七)——tf.keras搭建神经网络固定模式
一.总纲(一般按照下面6步搭建) import--导入相关模块 train,test--指定训练集与测试集 model = tf.keras.models.Sequential--在Sequentia ...
使用pytorch搭建AlexNet并训练花分类数据集
深度学习学习笔记导师博客:https://blog.csdn.net/qq_37541097/article/details/103482003 导师github:https://github.co ...
使用Pytorch搭建CNN模型完成食物图片分类（李宏毅视频课2020作业3，附超详细代码讲解）
文章目录 0 前言 1 任务描述 1.1 数据描述 1.2 作业提交 1.3 数据下载 1.3.1 完整数据集 1.3.2 部分数据集 2 过程讲解 2.1 读取数据 2.2 数据预处理 2.3 模型 ...
3.2 使用pytorch搭建AlexNet并训练花分类数据集
文章目录 class_indices.json model.py predict.py train.py 创建自己的数据集 #详解 class_indices.json {"0": ...
Pytorch搭建GoogLeNet网络（奥特曼分类）
1 爬取奥特曼 get_data.py import requests import urllib.parse as up import json import time import osmajor ...
pytorch搭建TextRCNN模型与使用案例
论文地址:http://www.nlpr.ia.ac.cn/cip/~liukang/liukangPageFile/Recurrent%20Convolutional%20Neural%20Netw ...

python与机器学习（七）上——PyTorch搭建LeNet模型进行MNIST分类

导入：

1. 数据集加载：

2. LeNet模型构建：

3. 优化器和损失函数：

4. 模型训练和测试：

5. 损失函数和正确率曲线：

python与机器学习（七）上——PyTorch搭建LeNet模型进行MNIST分类相关推荐

最新文章

热门文章