CNN学习系列：千里之行始于足下——使用PyTorch复现经典LeNet网络

导语：

1998年，Lecun等人在论文Gradient-Based Learning Applied to Document Recognition里第一次定义了CNN网络结构，该网络被称为LeNet，成为CNN的开山鼻祖。

该模型有1个输入层，2个卷积层，2个池化层，2个全连接层，1个输出层。此处所使用的的数据集，即是Lecun当年用到的数据集，MNIST。

这里有一个手写数字识别的可视化网站，借助它能直观地分析LeNet运行的过程。

另附：卷积网络的可视化解释

卷积

可参考我之前写的计算机视觉（北邮鲁鹏）学习笔记（一）中的卷积部分。

每个卷积层可以有多个kernel，卷积的目的是为了提取图像的特征，什么叫特征？边缘、形状、纹理等多种多样，根据kernel设置的不同可以得到不同的特征。图像经过卷积后的输出，叫特征图（Feature Maps）。

特征图

池化

池化或子采样层通常紧跟在CNN中的卷积层之后。

池化操作通常也叫做子采样(Subsampling)或降采样、下采样(Downsampling)（不是瞎采样啊喂），保留最重要部分并丢弃其余部分，主要是为了减少过拟合率，由于池化后的图变得更小，也加快了计算速度。

常用的池化操作：
最大值池化（max-pooling）：对邻域内特征点取最大值
平均值池化（mean-pooling）：对邻域内特征点求平均

其他池化操作：
卷积神经网络中的各种池化操作

池化

//TODO
池化及反向传播？？

像素计算

假设输入层是$32\times 32=1024$个像素，第一层卷积，有6个kernel，大小为$5\times 5$，则特征图的总像素为$6\times 28\times 28=4704$。

池化的kernel大小为2，步长为2，则对卷积之后的6个特征图进行池化，总像素为$6\times 14\times 14=1176$。

第二层卷积，有16个kernel，大小为$5\times 5$，则特征图的总像素为$16\times 10\times 10=1600$。

第二层池化，kernel大小为2，步长为2，总像素为$16\times 5\times 5=400$。

使用PyTorch复现该网络

先来搭建一下网络的结构

import torch
import torch.optim as optim
import torchvision
import torch.nn as nn
from torch.nn import functional as F
import torch.utils.data
import torchvision.transforms as transforms


class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2)
        self.conv2 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5)

        self.fc1 = nn.Linear(in_features=16 * 5 * 5, out_features=120)
        self.fc2 = nn.Linear(in_features=120, out_features=84)
        self.out = nn.Linear(in_features=84, out_features=10)

    def forward(self, t):
        t = F.relu(self.conv1(t))  # 激活操作
        t = F.max_pool2d(t, kernel_size=2, stride=2)  # 池化操作
        t = F.relu(self.conv2(t))
        t = F.max_pool2d(t, kernel_size=2, stride=2)
        t = t.view(-1, num_flat_features(t))
        t = F.relu(self.fc1(t))
        t = F.relu(self.fc2(t))
        t = self.out(t)

        return t


def num_flat_features(t):
    size = t.size()[1:]
    num_features = 1
    for s in size:
        num_features *= s
    return num_features

值得一提的是，MNIST“手写数字”数据集已经被FashionMNIST替代了，详见Fashion-MNIST，它由 Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。

它长这样：

FashionMNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分，28x28 的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

PyTorch已经内置了获取该数据集的方法。

train_set = torchvision.datasets.FashionMNIST(
    root='./data/',
    train=True,
    download=True,
    transform=transforms.Compose([
        transforms.ToTensor()
    ])
)

train_loader = torch.utils.data.DataLoader(train_set, batch_size=100)

训练模型

use_gpu = torch.cuda.is_available() # GPU是否可用

le_net = LeNet()

if use_gpu:
    le_net = le_net.cuda()
    print('USE GPU')
else:
    print('USE CPU')

optimizer = optim.Adam(le_net.parameters(), lr=0.001)


def get_num_correct(preds, labels):
    return preds.argmax(dim=1).eq(labels).int().sum().item()


for epoch in range(100):
    total_loss = 0
    total_correct = 0

    for batch in train_loader:  # Get Batch
        images, labels = batch
        if use_gpu:
            images, labels = images.cuda(), labels.cuda()
        preds = le_net(images)
        loss = F.cross_entropy(preds, labels) # 交叉熵作损失函数
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
        total_correct += get_num_correct(preds, labels)

    print('eopch:', epoch, "total_correct:", total_correct, "loss:", total_loss, 'precision:', total_correct / len(train_set))

结果