简 介： 利用Paddle框架搭建了AlexNet网络，并在AI Studio上利用其至尊版本测试了AlexNet对于Cifar10的分类效果。 基础的训练在测试集合上的分类效果没有能够超过60%，这对于一些文章中提到的高达80% 的分类效果还有一定的距离。

关键词： Cifar10，Alexnet

§01 AlexNet

1.1 背景介绍

  在 2021年人工神经网络第四次作业要求 给出了NN课程中的第四次作业要求。关于Cifar10数据集合，在 2021年人工神经网络第四次作业 - 第三题Cifar10 中尝试使用BP，LeNet结构进行训练，在测试集合上的准确性始终无法突破30%。但是测试集合的精度很快就打到的饱和。

  在其中简单修改了网络结构，调整学习速率以及使用Dropout层，对于结果影响不带。

  参考博文 深度学习识别CIFAR10：pytorch训练LeNet、AlexNet、VGG19实现及比较（二） 中介绍的 AlexNet 的实现方法，在Paddle平台上完成该网络的搭建与测试。

1.2 原文代码

  原文根据AlexNet的结构，结合 The CIFAR-10 dataset 图片的特点（32×32×3），对AlexNet网络结构进行了微调：

  AlexNet的网络结构：

▲ 图1.2.1 AlexNet的网络结构

  对CIFAR10，图片是3232，尺寸远小于227227，因此对网络结构和参数需做微调：

• 卷积层1：核大小7*7，步长2，填充2
• 最后一个max-pool层删除

1.2.1 网络代码

  网络定义代码如下：

 1 class AlexNet(nn.Module):2     def __init__(self):3         super(AlexNet, self).__init__()4 5         self.cnn = nn.Sequential(6             # 卷积层1，3通道输入，96个卷积核，核大小7*7，步长2，填充27             # 经过该层图像大小变为32-7+2*2 / 2 +1，15*158             # 经3*3最大池化，2步长，图像变为15-3 / 2 + 1， 7*79             nn.Conv2d(3, 96, 7, 2, 2),
10             nn.ReLU(inplace=True),
11             nn.MaxPool2d(3, 2, 0),
12
13             # 卷积层2，96输入通道，256个卷积核，核大小5*5，步长1，填充2
14             # 经过该层图像变为7-5+2*2 / 1 + 1，7*7
15             # 经3*3最大池化，2步长，图像变为7-3 / 2 + 1， 3*3
16             nn.Conv2d(96, 256, 5, 1, 2),
17             nn.ReLU(inplace=True),
18             nn.MaxPool2d(3, 2, 0),
19
20             # 卷积层3，256输入通道，384个卷积核，核大小3*3，步长1，填充1
21             # 经过该层图像变为3-3+2*1 / 1 + 1，3*3
22             nn.Conv2d(256, 384, 3, 1, 1),
23             nn.ReLU(inplace=True),
24
25             # 卷积层3，384输入通道，384个卷积核，核大小3*3，步长1，填充1
26             # 经过该层图像变为3-3+2*1 / 1 + 1，3*3
27             nn.Conv2d(384, 384, 3, 1, 1),
28             nn.ReLU(inplace=True),
29
30             # 卷积层3，384输入通道，256个卷积核，核大小3*3，步长1，填充1
31             # 经过该层图像变为3-3+2*1 / 1 + 1，3*3
32             nn.Conv2d(384, 256, 3, 1, 1),
33             nn.ReLU(inplace=True)
34         )
35
36         self.fc = nn.Sequential(
37             # 256个feature，每个feature 3*3
38             nn.Linear(256*3*3, 1024),
39             nn.ReLU(),
40             nn.Linear(1024, 512),
41             nn.ReLU(),
42             nn.Linear(512, 10)
43         )
44
45     def forward(self, x):
46         x = self.cnn(x)
47
48         # x.size()[0]: batch size
49         x = x.view(x.size()[0], -1)
50         x = self.fc(x)
51
52         return x

1.3 Paddle模型实现

  利用Paddle中的神经网络模型构建Alexnet。

1.3.1 搭建Alexnet网络

（1）网络代码

import paddleclass alexnet(paddle.nn.Layer):def __init__(self, ):super(alexnet, self).__init__()self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=96, kernel_size=7, stride=2, padding=2)self.conv2 = paddle.nn.Conv2D(in_channels=96, out_channels=256, kernel_size=5, stride=1, padding=2)self.conv3 = paddle.nn.Conv2D(in_channels=256, out_channels=384, kernel_size=3, stride=1, padding=1)self.conv4 = paddle.nn.Conv2D(in_channels=384, out_channels=384, kernel_size=3, stride=1, padding=1)self.conv5 = paddle.nn.Conv2D(in_channels=384, out_channels=256, kernel_size=3, stride=1, padding=1)self.mp1    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)self.mp2    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)self.L1     = paddle.nn.Linear(in_features=256*3*3, out_features=1024)self.L2     = paddle.nn.Linear(in_features=1024, out_features=512)self.L3     = paddle.nn.Linear(in_features=512, out_features=10)def forward(self, x):x = self.conv1(x)x = paddle.nn.functional.relu(x)x = self.mp1(x)x = self.conv2(x)x = paddle.nn.functional.relu(x)x = self.mp2(x)x = self.conv3(x)x = paddle.nn.functional.relu(x)x = self.conv4(x)x = paddle.nn.functional.relu(x)x = self.conv5(x)x = paddle.nn.functional.relu(x)x = paddle.flatten(x, start_axis=1, stop_axis=-1)x = self.L1(x)x = paddle.nn.functional.relu(x)x = self.L2(x)x = paddle.nn.functional.relu(x)x = self.L3(x)return x

（2）网络结构

  应用paddle.summary检查网络结构是否正确。

model = alexnet()paddle.summary(model, (100,3,32,32))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #
===========================================================================Conv2D-16     [[100, 3, 32, 32]]   [100, 96, 15, 15]       14,208     MaxPool2D-7   [[100, 96, 15, 15]]    [100, 96, 7, 7]           0       Conv2D-17     [[100, 96, 7, 7]]     [100, 256, 7, 7]       614,656    MaxPool2D-8    [[100, 256, 7, 7]]    [100, 256, 3, 3]          0       Conv2D-18     [[100, 256, 3, 3]]    [100, 384, 3, 3]       885,120    Conv2D-19     [[100, 384, 3, 3]]    [100, 384, 3, 3]      1,327,488   Conv2D-20     [[100, 384, 3, 3]]    [100, 256, 3, 3]       884,992    Linear-10       [[100, 2304]]         [100, 1024]         2,360,320   Linear-11       [[100, 1024]]          [100, 512]          524,800    Linear-12        [[100, 512]]          [100, 10]            5,130
===========================================================================
Total params: 6,616,714
Trainable params: 6,616,714
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 1.17
Forward/backward pass size (MB): 39.61
Params size (MB): 25.24
Estimated Total Size (MB): 66.02
---------------------------------------------------------------------------{'total_params': 6616714, 'trainable_params': 6616714}

  在网络设计过程中，往往会出现结构性差错的地方就在卷积层与全连接层之间出现，在进行Flatten（扁平化）之后，出现数据维度对不上。可以在网络定义的过程中，首先将Flatten之后的全连接层去掉，通过paddle.summary输出结构确认卷积层数出为 256×3×3之后，再将全连接层接上。如果出现差错，可以进行每一层校验。

1.4 Cifar10训练AlexNet

1.4.1 载入数据

import sys,os,math,time
import matplotlib.pyplot as plt
from numpy import *import paddle
from paddle.vision.transforms import Normalize
normalize = Normalize(mean=[0.5,0.5,0.5], std=[0.5,0.5,0.5], data_format='HWC')from paddle.vision.datasets import Cifar10
cifar10_train = Cifar10(mode='train', transform=normalize)
cifar10_test = Cifar10(mode='test', transform=normalize)train_dataset = [cifar10_train.data[id][0].reshape(3,32,32) for id in range(len(cifar10_train.data))]
train_labels = [cifar10_train.data[id][1] for id in range(len(cifar10_train.data))]class Dataset(paddle.io.Dataset):def __init__(self, num_samples):super(Dataset, self).__init__()self.num_samples = num_samplesdef __getitem__(self, index):data = train_dataset[index]label = train_labels[index]return paddle.to_tensor(data,dtype='float32'), paddle.to_tensor(label,dtype='int64')def __len__(self):return self.num_samples_dataset = Dataset(len(cifar10_train.data))
train_loader = paddle.io.DataLoader(_dataset, batch_size=100, shuffle=True)

1.4.2 构建网络

class alexnet(paddle.nn.Layer):def __init__(self, ):super(alexnet, self).__init__()self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=96, kernel_size=7, stride=2, padding=2)self.conv2 = paddle.nn.Conv2D(in_channels=96, out_channels=256, kernel_size=5, stride=1, padding=2)self.conv3 = paddle.nn.Conv2D(in_channels=256, out_channels=384, kernel_size=3, stride=1, padding=1)self.conv4 = paddle.nn.Conv2D(in_channels=384, out_channels=384, kernel_size=3, stride=1, padding=1)self.conv5 = paddle.nn.Conv2D(in_channels=384, out_channels=256, kernel_size=3, stride=1, padding=1)self.mp1    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)self.mp2    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)self.L1     = paddle.nn.Linear(in_features=256*3*3, out_features=1024)self.L2     = paddle.nn.Linear(in_features=1024, out_features=512)self.L3     = paddle.nn.Linear(in_features=512, out_features=10)def forward(self, x):x = self.conv1(x)x = paddle.nn.functional.relu(x)x = self.mp1(x)x = self.conv2(x)x = paddle.nn.functional.relu(x)x = self.mp2(x)x = self.conv3(x)x = paddle.nn.functional.relu(x)x = self.conv4(x)x = paddle.nn.functional.relu(x)x = self.conv5(x)x = paddle.nn.functional.relu(x)x = paddle.flatten(x, start_axis=1, stop_axis=-1)x = self.L1(x)x = paddle.nn.functional.relu(x)x = self.L2(x)x = paddle.nn.functional.relu(x)x = self.L3(x)return xmodel = alexnet()

1.4.3 训练网络

test_dataset = [cifar10_test.data[id][0].reshape(3,32,32) for id in range(len(cifar10_test.data))]
test_label = [cifar10_test.data[id][1] for id in range(len(cifar10_test.data))]test_input = paddle.to_tensor(test_dataset, dtype='float32')
test_l = paddle.to_tensor(array(test_label)[:,newaxis])optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
def train(model):model.train()epochs = 2accdim = []lossdim = []testaccdim = []for epoch in range(epochs):for batch, data in enumerate(train_loader()):out = model(data[0])loss = paddle.nn.functional.cross_entropy(out, data[1])acc = paddle.metric.accuracy(out, data[1])loss.backward()optimizer.step()optimizer.clear_grad()accdim.append(acc.numpy())lossdim.append(loss.numpy())predict = model(test_input)testacc = paddle.metric.accuracy(predict, test_l)testaccdim.append(testacc.numpy())if batch%10 == 0 and batch>0:print('Epoch:{}, Batch: {}, Loss:{}, Accuracys:{}{}'.format(epoch, batch, loss.numpy(), acc.numpy(), testacc.numpy()))plt.figure(figsize=(10, 6))plt.plot(accdim, label='Accuracy')plt.plot(testaccdim, label='Test')plt.xlabel('Step')plt.ylabel('Acc')plt.grid(True)plt.legend(loc='upper left')plt.tight_layout()train(model)

1.4.4 训练结果

训练参数：

BatchSize：100
LearningRate：0.001

  如果BatchSize过小，训练速度变慢。

▲ 图1.4.1 训练精度和测试精度变化曲线

训练参数：

BatchSize：5000
LearningRate：0.0005

BatchSize：5000，Lr=0.001， DropOut：0.2：

▲ 图1.4.2 训练精度和测试精度的变化

▲ 图1.4.3 训练精度和测试精度的变化

BatchSize：5000，Lr=0.0001， DropOut：0.2：

▲ 图1.4.4 BatchSize：5000，Lr=0.0001， DropOut：0.2

▲ 图A1.4.2 BatchSize：5000，Lr=0.001， DropOut：0.2

BatchSize：5000，Lr=0.0005， DropOut：0.5：

▲ 图1.4.6 BatchSize：5000，Lr=0.0005， DropOut：0.5

BatchSize：5000，Lr=0.0001， DropOut：0.5：

▲ 图1.4.7 BatchSize：5000，Lr=0.0001， DropOut：0.5

※ 总  结 ※

  利用Paddle框架搭建了AlexNet网络，并在AI Studio上利用其至尊版本测试了AlexNet对于Cifar10的分类效果。 基础的训练在测试集合上的分类效果没有能够超过60%，这对于一些文章中提到的高达80% 的分类效果还有一定的距离。

■ 相关文献链接:

• 2021年人工神经网络第四次作业要求
• 2021年人工神经网络第四次作业 - 第三题Cifar10
• 深度学习识别CIFAR10：pytorch训练LeNet、AlexNet、VGG19实现及比较（二）
• AlexNet
• The CIFAR-10 dataset

● 相关图表链接:

• 图1.2.1 AlexNet的网络结构
• 图1.4.1 训练精度和测试精度变化曲线
• 图1.4.2 训练精度和测试精度的变化
• 图1.4.3 训练精度和测试精度的变化

#!/usr/local/bin/python
# -*- coding: gbk -*-
#============================================================
# TESTALEXNET.PY                 -- by Dr. ZhuoQing 2021-12-20
#
# Note:
#============================================================from headm import *                 # =import paddle
from paddle.vision.transforms import Normalize
normalize = Normalize(mean=[0.5,0.5,0.5], std=[0.5,0.5,0.5], data_format='HWC')from paddle.vision.datasets import Cifar10
cifar10_train = Cifar10(mode='train', transform=normalize)
cifar10_test = Cifar10(mode='test', transform=normalize)#------------------------------------------------------------
train_dataset = [cifar10_train.data[id][0].reshape(3,32,32) for id in range(len(cifar10_train.data))]
train_labels = [cifar10_train.data[id][1] for id in range(len(cifar10_train.data))]#------------------------------------------------------------
class Dataset(paddle.io.Dataset):def __init__(self, num_samples):super(Dataset, self).__init__()self.num_samples = num_samplesdef __getitem__(self, index):data = train_dataset[index]label = train_labels[index]return paddle.to_tensor(data,dtype='float32'), paddle.to_tensor(label,dtype='int64')def __len__(self):return self.num_samples_dataset = Dataset(len(cifar10_train.data))
train_loader = paddle.io.DataLoader(_dataset, batch_size=5000, shuffle=True)#------------------------------------------------------------
class alexnet(paddle.nn.Layer):def __init__(self, ):super(alexnet, self).__init__()self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=96, kernel_size=7, stride=2, padding=2)self.conv2 = paddle.nn.Conv2D(in_channels=96, out_channels=256, kernel_size=5, stride=1, padding=2)self.conv3 = paddle.nn.Conv2D(in_channels=256, out_channels=384, kernel_size=3, stride=1, padding=1)self.conv4 = paddle.nn.Conv2D(in_channels=384, out_channels=384, kernel_size=3, stride=1, padding=1)self.conv5 = paddle.nn.Conv2D(in_channels=384, out_channels=256, kernel_size=3, stride=1, padding=1)self.mp1    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)self.mp2    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)self.L1     = paddle.nn.Linear(in_features=256*3*3, out_features=1024)self.L2     = paddle.nn.Linear(in_features=1024, out_features=512)self.L3     = paddle.nn.Linear(in_features=512, out_features=10)def forward(self, x):x = self.conv1(x)x = paddle.nn.functional.relu(x)x = self.mp1(x)x = self.conv2(x)x = paddle.nn.functional.relu(x)x = self.mp2(x)x = self.conv3(x)x = paddle.nn.functional.relu(x)x = self.conv4(x)x = paddle.nn.functional.relu(x)x = self.conv5(x)x = paddle.nn.functional.relu(x)x = paddle.flatten(x, start_axis=1, stop_axis=-1)x = self.L1(x)x = paddle.nn.functional.relu(x)x = self.L2(x)x = paddle.nn.functional.relu(x)x = self.L3(x)return xmodel = alexnet()#------------------------------------------------------------
test_dataset = [cifar10_test.data[id][0].reshape(3,32,32) for id in range(len(cifar10_test.data))]
test_label = [cifar10_test.data[id][1] for id in range(len(cifar10_test.data))]test_input = paddle.to_tensor(test_dataset, dtype='float32')
test_l = paddle.to_tensor(array(test_label)[:,newaxis])#------------------------------------------------------------
optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
def train(model):model.train()epochs = 20accdim = []lossdim = []testaccdim = []for epoch in range(epochs):for batch, data in enumerate(train_loader()):out = model(data[0])loss = paddle.nn.functional.cross_entropy(out, data[1])acc = paddle.metric.accuracy(out, data[1])loss.backward()optimizer.step()optimizer.clear_grad()accdim.append(acc.numpy())lossdim.append(loss.numpy())predict = model(test_input)testacc = paddle.metric.accuracy(predict, test_l)testaccdim.append(testacc.numpy())if batch%5 == 0 and batch>0:print('Epoch:{}, Batch: {}, Loss:{}, Accuracys:{}{}'.format(epoch, batch, loss.numpy(), acc.numpy(), testacc.numpy()))
#        if epoch%2 == 0 and epoch>0:
#            print('Epoch:{}, Loss:{}, Accuracys:{}{}'.format(epoch, loss.numpy(), acc.numpy(), testacc.numpy()))plt.figure(figsize=(10, 6))plt.plot(accdim, label='Accuracy')plt.plot(testaccdim, label='Test')plt.xlabel('Step')plt.ylabel('Acc')plt.grid(True)plt.legend(loc='upper left')plt.tight_layout()train(model)#------------------------------------------------------------paddle.save(model.state_dict(), './work/cifar10_alexnet.pdparams')#------------------------------------------------------------paddle.summary(model,(100, 3,32,32))#------------------------------------------------------------predict = model(paddle.to_tensor(test_dataset, dtype='float32'))test_target = paddle.fluid.layers.argmax(predict, axis=1).numpy()
printt(test_target)
origin_label = array(test_label)errorid = where(test_target != origin_label)[0]
printt(errorid, len(errorid))#------------------------------------------------------------cifarname = {0:'airplane', 1:'automobile', 2:'bird', 3:'cat',4:'deear', 5:'dog', 6:'frog', 7:'horse', 8:'ship', 9:'truck'}PIC_ROW         = 4
PIC_COL         = 6
plt.figure(figsize=(12,8))
for j in range(PIC_ROW):for i in range(PIC_COL):id = i+j*PIC_COLplt.subplot(PIC_ROW, PIC_COL, id+1)plt.axis('off')eid = errorid[id]tid = test_target[eid]plt.imshow(test_dataset[eid].swapaxes(1,2).T, cmap=plt.cm.gray)plt.title(cifarname[tid], fontsize=12, color='blue')#------------------------------------------------------------
#        END OF FILE : TESTALEXNET.PY
#============================================================

在Paddle中利用AlexNet测试CIFAR10数据集合相关推荐

1. TF之DCGAN：基于TF利用DCGAN测试MNIST数据集并进行生成过程全记录

   TF之DCGAN:基于TF利用DCGAN测试MNIST数据集并进行生成 目录 测试结果 测试过程全记录 测试结果 train_00_0099 train_00_0799 train_00_0899 t ...

2. MVC中利用ViewBag传递Json数据时的前端处理方法

   ** MVC中利用ViewBag传递Json数据时的前端处理方法 ** 用viewBag传递Json字符串到前端时,json字符串中的"会被转义为& quot,前端处理方法为@Htm ...

3. 【Python基础】在pandas中利用hdf5高效存储数据

   1 简介 HDF5(Hierarchical Data Formal)是用于存储大规模数值数据的较为理想的存储格式. 其文件后缀名为h5,存储读取速度非常快,且可在文件内部按照明确的层次存储数据,同一 ...

4. Python应用实战-在pandas中利用hdf5高效存储数据

   1 简介 HDF5(Hierarchical Data Formal)是用于存储大规模数值数据的较为理想的存储格式. 其文件后缀名为h5,存储读取速度非常快,且可在文件内部按照明确的层次存储数据,同一 ...

5. oracle索引使用例子,Oracle中利用函数索引处理数据倾斜案例

   关于B-Tree.Bitmap.函数索引的相关内容请参考另一篇博文: Oracle中B-Tree.Bitmap和函数索引使用案例总结 通常来说,索引选取的数据列最好为分散度高.选择性好.从索引树结构的 ...

6. C#中利用事件来传递数据(EventArgs)

   前言 前文介绍在GUI编程中的事件,其中说到EventHandler委托类型在声明时,必须有两个参数变量,第一个是object类型,第二个是EventArgs类型. 对于EventArgs类型,有2个 ...

7. ado.net mysql 批量插入_[Dapper].NET/C#程序开发中使用Dapper批量插入数据集合的方法应该如何实现？...

   问题描述 使用Dapper如何向数据库中批量插入数据或者说使用Dapper如何插入一个集合(List),在没有使用Dapper(使用Ado.net)的情况下,我们通常的实现方式如下: try { co ...

8. C语言中利用联合体巧妙处理数据

   在C语言处理数据的时候,经常会遇到将一个整形数据拆分成高位和低位,或者是将两个字符型数据组合成一个整形数据.通常的做法是将数据左移或者右移对数据进行组合或者拆分.现在可以利用联合体的特性来处理这一类数 ...

9. SQLServer中利用NTILE函数对数据进行分组的一点使用

   本文出处:http://www.cnblogs.com/wy123/p/6908377.html NTILE函数可以按照指定的排序规则,对数据按照指定的组数(M个对象,按照某种排序分N个组)进行分组, ...

最新文章

1. 500个普通人名_2020年世界500强汽车行业排名：大众公司第一，丰田汽车公司第二...
2. hadoop2.6.5安装文档及解决root用户无法ssh localhost的问题
3. vue tag=“li“ 和event原有样式渲染不出来
4. Linux CENTOS6.5 图形命令互转
5. jzoj6065-[NOI2019模拟2019.3.18]One？One!【FFT】
6. MyEclipse中SVN的常见的使用方法
7. 【软件工程】软件开发的本质
8. 3.7.2 - Escape Sequences
9. 小例子：在 ECharts 中实现日历图
10. left join, right join , inner join, join, union的意义
11. vim中编辑了代码 但是提示can not write的解决办法和代码对齐办法
12. 我与希赛PMP的不解之缘
13. windows11条件下将yafu路径添加到环境变量
14. C语言实现HDB3编码与译码
15. MRI_Made_Easy 磁共振成像原理-物理基础5
16. 为什么qq相册显示服务器数据错误,玩qq空间常遇到的问题及解决办法_qq空间
17. win10摄像头打开后黑屏怎么回事？（驱动重新装了、注册表按照网上的方法也改过了、相机隐私设置也打开了，总之各种方法都尝试了还是打开黑屏）
18. 机顶盒装linux教程,一种Linux机顶盒焦点控制方法与流程
19. 台式电脑一般价钱多少_一般普通台式电脑价格多少为好？
20. 停止员工拖延症！工时管理系统的作用之一

热门文章

1. 第11章 假如没有编程 《丰富多彩的编程世界》
2. nginx 添加自定义头部信息
3. 前端面试经历（持续更新）
4. VIEW登陆故障解决办法。
5. BootStrap字体图标不显示、下拉菜单不显示
6. 传统自定义标签（2）-Tag接口的执行流程（包含执行顺序的图片）
7. 第2条 遇到多个构造器参数时要考虑构建器
8. Java注释@interface的用法
9. 浅谈JDBC与ODBC的区别与应用
10. jsp自定义图文新闻列表标签结合ssh2，带分页功能