前言

LeNet是最早的卷积神经网络之一。1998年，Yann LeCun第一次将LeNet卷积神经网络应用到图像分类上，它通过连续使用卷积和池化层的组合提取图像特征，在手写数字识别任务中取得了巨大成功。

LeNet模型网络结构示意图

模型设计

1、新建文件leNet.py，根据leNet的结构示意图写出对应的代码：

import paddle
from paddle.nn import Conv2D,MaxPool2D,Linearimport  paddle.nn.functional as Fclass LeNet(paddle.nn.Layer):def __init__(self, num_classes = 1):super(LeNet, self).__init__()self.conv1 = Conv2D(in_channels=1,out_channels=6,kernel_size=5)self.max_pool1 = MaxPool2D(kernel_size=2,stride=2)self.conv2 = Conv2D(in_channels=6,out_channels=16,kernel_size=5)self.max_pool2 = MaxPool2D(kernel_size=2,stride=2)self.conv3 = Conv2D(in_channels=16,out_channels=120,kernel_size=4)self.fc1 = Linear(in_features=120, out_features=64)self.fc2 = Linear(in_features=64,out_features=num_classes)def forward(self, x):x = self.conv1(x)x = F.sigmoid(x)x = self.max_pool1(x)x = F.sigmoid(x)x = self.conv2(x)x = self.max_pool2(x)x = self.conv3(x)x = paddle.reshape(x , [x.shape[0], -1])x = self.fc1(x)x = F.sigmoid(x)x = self.fc2(x)return x

模型训练

1、新建文件：LeNetTrain.py

import numpy as np
import paddle
import paddle.nn.functional as F
from paddle.vision.transforms import ToTensor
from paddle.vision.datasets import MNIST
from leNet import LeNetdef train(model, opt, train_loader, valid_loader):model.train()for epoch in range(EPOCH_NUM):for batch_id,data in enumerate(train_loader()):img = data[0]label = data[1]logits = model(img)loss_func = paddle.nn.CrossEntropyLoss(reduction='none')loss = loss_func(logits,label)avg_loss = paddle.mean(loss)if batch_id % 2000 == 0:print("epoch:{},batch_id:{},loss is:{:.4f}".format(epoch,batch_id,float(avg_loss.numpy())))avg_loss.backward()opt.step()opt.clear_grad()model.eval()accuracies = []losses = []for batch_id, data in enumerate(valid_loader()):img = data[0]label = data[1]# 计算模型输出logits = model(img)pred = F.softmax(logits)# 计算损失函数loss_func = paddle.nn.CrossEntropyLoss(reduction='none')loss = loss_func(logits, label)acc = paddle.metric.accuracy(pred, label)accuracies.append(acc.numpy())losses.append(loss.numpy())print("[validation] accuracy/loss: {:.4f}/{:.4f}".format(np.mean(accuracies), np.mean(losses)))model.train()# 保存模型参数paddle.save(model.state_dict(), 'leNet.mnist.pdparams')# 创建模型
model = LeNet(num_classes=10)
# 设置迭代轮数
EPOCH_NUM = 5
# 设置优化器为Momentum，学习率为0.001
opt = paddle.optimizer.Momentum(learning_rate=0.001, momentum=0.9, parameters=model.parameters())
# 定义数据读取器
train_loader = paddle.io.DataLoader(MNIST(mode='train', transform=ToTensor()), batch_size=10, shuffle=True)
valid_loader = paddle.io.DataLoader(MNIST(mode='test', transform=ToTensor()), batch_size=10)
# 启动训练过程
train(model, opt, train_loader, valid_loader)

模型验证

1、新建文件LeNetEval.py：

from leNet import LeNet
import numpy as np
import paddle
from paddle.vision.transforms import ToTensor
from paddle.vision.datasets import MNIST# 创建模型
model = LeNet(num_classes=10)
params_file_path = 'leNet.mnist.pdparams'
param_dict = paddle.load(params_file_path)
# 加载模型参数
model.load_dict(param_dict)
# 定义预测过程
model.eval()# 加载测试集 batch_size 设为 1
valid_loader = paddle.io.DataLoader(MNIST(mode='test', transform=ToTensor()), batch_size=1)
success = 0
error = 0
for batch_id, data in enumerate(valid_loader()):img = data[0]label = data[1]#预测logits = model(img)#转换为整数label = label.numpy().astype('int32')[0]#取最大的那个预测概率的下标result = np.argsort(logits[0])[-1]if (label == result) :success = success + 1else:error = error + 1
#打印结果
print("本次预测的正确的数量是{}， 错误的数量是{}".format(success, error))

2、结果输出：

本次预测的正确的数量是9553，错误的数量是447

总结：

1、本次进行了5次迭代，预测的准确率就非常高了，超过了95%

2、先画出模型图，然后再编写对应的代码，非常的高效

菜菜学paddle第六篇：利用LeNet卷积神经网络识别手写数字相关推荐

使用TensorFlow的卷积神经网络识别手写数字（3）-识别篇
1 from PIL import Image 2 import numpy as np 3 import tensorflow as tf 4 import time 5 6 7 bShowAccu ...
python手机代码识别数字_利用python构建神经网络识别手写数字(附源代码)
一.运行环境配置本次实验的运行环境win10(bit64),采用python环境为3.7.6,安装Python环境推荐使用Anaconda.Anaconda是一个免费开源的Python和R语言的发行 ...
利用python实现简单的人工神经网络识别手写数字
利用 Python 搭建起了一个简单的神经网络模型,并完成识别手写数字. 1.前置工作 1.1 环境配置这里使用scikit-learn库内建的手写数字字符集作为本文的数据集.scikit-lear ...
OpenCV-Python实战（番外篇）——利用 SVM 算法识别手写数字
OpenCV-Python实战(番外篇)--利用 SVM 算法识别手写数字前言使用 SVM 进行手写数字识别参数 C 和 γ 对识别手写数字精确度的影响完整代码相关链接前言支持向量机 ( ...
OpenCV-Python实战（番外篇）——利用 KNN 算法识别手写数字
OpenCV-Python实战(番外篇)--利用 KNN 算法识别手写数字前言手写数字数据集 MNIST 介绍基准模型--利用 KNN 算法识别手写数字改进模型1--参数 K 对识别手写数字精 ...
02：一文全解：利用谷歌深度学习框架Tensorflow识别手写数字图片（初学者篇）
标签(空格分隔): 王小草Tensorflow笔记笔记整理者:王小草笔记整理时间2017年2月24日 Tensorflow官方英文文档地址:https://www.tensorflow.org/g ...
使用Keras训练Lenet网络来进行手写数字识别
使用Keras训练Lenet网络来进行手写数字识别这篇博客将介绍如何使用Keras训练Lenet网络来进行手写数字识别. LeNet架构是深度学习中的一项开创性工作,演示了如何训练神经网络以端到端的 ...
svm手写数字识别_KNN 算法实战篇如何识别手写数字
上篇文章介绍了KNN 算法的原理,今天来介绍如何使用KNN 算法识别手写数字? 1,手写数字数据集手写数字数据集是一个用于图像处理的数据集,这些数据描绘了 [0, 9] 的数字,我们可以用KNN 算 ...
DL之DNN：利用DNN算法对mnist手写数字图片识别数据集(sklearn自带,1797*64)训练、预测(95%)
DL之DNN:利用DNN算法对mnist手写数字图片识别数据集(sklearn自带,1797*64)训练.预测(95%) 目录数据集展示输出结果设计代码数据集展示先查看sklearn自带di ...

菜菜学paddle第六篇：利用LeNet卷积神经网络识别手写数字

前言

LeNet模型网络结构示意图

模型设计

模型训练

模型验证

总结：

菜菜学paddle第六篇：利用LeNet卷积神经网络识别手写数字相关推荐

最新文章

热门文章