- 接上篇文章的线性模型是一个实验,这次使用pytorch实现神经网络LENET5手写识别MNIST
- 卷积层块里的基本单位是卷积层后接平均池化层:卷积层用来识别图像里的空间模式,如线条和物体局部,之后的平均池化层则用来降低卷积层对位置的敏感性。
科普一下LENET5:
手写字体识别模型LeNet5诞生于1994年,是最早的卷积神经网络之一。
LeNet5通过巧妙的设计,利用卷积、参数共享、池化等操作提取特征,避免了大量的计算成本,
最后再使用全连接神经网络进行分类识别,这个网络也是最近大量神经网络架构的起点。
- 每层的参数个数的计算 原理 在备注中
- 每层输出的features map的shape 如何得出
- 代码中包含模型的调试信息
- 代码以兼容运行在GPU或者CPU上
- 都在备注中有体现,详细看代码
- MNIST的数据集 没有上传,可以去Google查找,或者给我留言我邮件给你均可
- 代码可以直接跑起来,不能运行的代码都是耍流氓
- 话不多说 直接上代码:
#引入使用库
import torch
import torch.nn as nn
import torch.optim as optim
import time
import torchvision
import torchvision.transforms as transforms
from torchviz import make_dot
import matplotlib
pytorch—CNN卷积神经网络实现mnist手写体识别
最新推荐文章于 2024-08-14 22:19:54 发布
本文使用PyTorch实现LENET5卷积神经网络进行MNIST手写体识别。介绍卷积层和池化层的作用,并提供详细代码,包括模型构造、数据加载和设备选择。通过调整激活函数和学习率,观察对模型准确率的影响。
摘要由CSDN通过智能技术生成