![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CNN
文章平均质量分 92
专注认真努力
专心致志努力
展开
-
CIFAR10数据集训练与测试
诸:1和3主要由数据集决定,而2则是有模型的结构决定,需要计算。对于2的计算,如果模型很复杂,尤其网络特别深,我们要按照输入尺寸,从头到尾进行计算,这样太麻烦了。以前面的模型和参数作为 baseline,对其进行改进如下,目的是提高测试集准确度,减少泛化误差,模型参数量和运算量。分析:泛化误差为训练精度和验证精度的差值,观察上图可知,随着训练的进行,泛化误差在增加。设计函数如下,注意不同的模型有不同的特征提取过程,需要修改函数中的第二行代码。缺点:参数多,容易过拟合,对输入特征图的尺寸有要求,需要计算。原创 2023-03-02 17:21:05 · 1012 阅读 · 0 评论 -
ResNet18实现——MNIST手写数字识别(突破0.995)
简单的CNN实现——MNIST手写数字识别该部分首先对我前面的工作进行了改进,然后以此为基础构建ResNet18去实现MNIST手写数字识别。1.利用nn.Sequential()自定义块结构,增加可读性和方便修改、复用。2.增加 nn.BatchNorm2d() 加快收敛。3.改用nn.Flatten()进行特征图展平。4.设置nn.ReLU()的参数inplace = True,效率更好改进代码如下:改进后在测试集上的识别准确率:结论:改进后相比于改进前收敛速度更快,且准确率得到了普遍提高原创 2022-12-06 22:17:46 · 3993 阅读 · 0 评论 -
简单的CNN实现——MNIST手写数字识别
此文章不涉及复杂的理论知识,仅仅只是利用PyTorch组建一个简单的CNN去实现MNIST的手写数字识别,用好的效果去激发学习CNN的好奇心,并且以后以此为基础,去进行一些改造。(前提是把基础代码看明白)本文CNN网络结构:以下为最基本的代码(不需要GPU):输出结果:1.MNIST数据集介绍1.数据量MNIST数据集共有70000张图像,其中训练集60000张,测试集10000张。所有图像都是28×28的单通道灰度图像,每张图像包含一个手写数字。共10个类别,每个类别代表0~9之间的一个数字原创 2022-12-04 22:29:12 · 2739 阅读 · 0 评论