PyTorch ------GoogLeNet卷积神经网络实现mnist手写体识别

最新推荐文章于 2024-05-02 17:13:29 发布
最新推荐文章于 2024-05-02 17:13:29 发布
阅读量1.9k 收藏 7
点赞数 3
分类专栏： CNN 文章标签： pytorch 神经网络 GoogLeNet Inception
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/manmanking/article/details/104582386
版权
  • 计划将所有的经典模型使用pytorch在搞一遍
  • 接上一篇NIN现实mnist手写识别
  • 使用经典模型GoogLeNet模型实现相同的功能
  • GoogLeNet论文原文地址

GoogLeNet简介

GoogLeNet是2014年提出的一种全新的深度学习结构，在这之前的AlexNet、VGG、NIN等结构都通过增大网络深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception从另一种角度来提升训练结果：在相同的计算量下能提取到更多的特征，从而提升性能

  • GoogLeNet 由Inception基础块组成
  • Inception块相当于一个有4条子线路的小网络,它通过不同的filter卷积层和最大池化层来并行抽取信息,并使用1X1卷积层减少通道数从而降低模型复杂度.
  • 可以自定义的超参数是每个层的输出通道数没我们以此来控制模型的复杂度.
  • inception 经历了V1、V2、V3、V4 多个版本发展,不断调整完善
  • inception V1 Block structure:
    • 在这里插入图片描述
    • 前面也介绍过1X1卷积核的作用:
      • 为了减少维度,消除计算瓶颈
      • 增加深度而不会降低性能
      • 还用于修正线性激活函数,
      • 还可以减少很多的可训练参数

GoogLeNet模型

  • 完整模型结构
  • 在这里插入图片描述
    • GoogLeNet采用了可以重复堆叠使用的Inception Block 该做法,与前面介绍的VGG类似
    • GoogLeNet采用GAP代替全连接层,与前面介绍的NIN模块的想法也类似
    • 汲取前面模型的优点
  • GoogLeNet网络结构细节表图:
  • 在这里插入图片描述
  • 输入原始图片尺寸224X224X3
  • 上表中“#3x3 reduce”，“#5x5 reduce”表示在3x3，5x5卷积操作之前使用了1x1卷积的数量
  • 其他的都可以看懂,就不解释了
  • 下面还是老节目,上代码:

    import sys
    import torch
最低0.47元/天 解锁文章
Kallen_man
关注
  • 3
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Tensorflow——使用GoogleNet训练Fashion_mnist
weixin_45284801的博客
04-14 570
使用GoogleNet训练Fashion_mnist GoogLeNet简介 GoogLeNet是2014年提出的一种全新的深度学习结构，在这之前的AlexNet、VGG、NIN等结构都通过增大网络深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception从另一种角度来提升训练结果：在相同的计算量下能提取到更多的特征，从而提升性能。 GoogLeNet 由Inception基础块组成 Inception块相当于一个有4条子线路的小网络,它通
【Pytorch-手写字体识别】手写字体识别项目
weixin_71003977的博客
06-06 3035
Pytorch进行手写数字识别
用PyTorch构建基于卷积神经网络的手写数字识别模型
zxb_1222的博客
03-17 5823
MINST数据库是机器学习领域非常经典的一个数据集，其由Yann提供的手写数字数据集构成，包含了0-9共10类手写数字图片，每张图片都做了尺寸归一化，都是28x28大小的灰度图。每张图片中像素值大小在0-255之间，其中0是黑色背景，255是白色前景。
基于Pytorch框架的GoogleNet：MNIST数据集手写数字识别
qq_33629518的博客
10-22 681
Debug问题总结： 一、使用x.view(size,-1)进行矩阵变换后没有赋值给x 二、在编写测试函数时没有使用mini-hatch会出现报错（无法同时处理过多测试集） 三、使用torch.max()将pred_data转换成pred_labels时有两个返回值，分别是最大项及其索引值，要使用_,pred_labels=torch.max(pred_data)进行赋值，不能省略逗号 四、准确率计算时是比较pred_labels和test_labels,不是pred_data，否则准确率输出为0% 五、i
Pytorch实现mnist手写数字识别
最新发布
qq_58831463的博客
05-02 921
更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。，否则的话，有输入数据，即使不训练，它也会改变权值。
Pytorch实现手写数字识别【基于全连接神经网络】
Consult_
07-18 9658
构建全连接神经网络模型，使用pytroch实现手写数字识别
Python-使用卷积神经网络识别手写数字
08-11
本项目"Python-使用卷积神经网络识别手写数字"聚焦于利用CNN解决手写数字识别问题，通过在著名的MNIST数据集上进行训练，达到了99.2%的验证准确率，这在同类任务中是一个相当高的水平。 MNIST数据集是机器学习社区...
Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码
02-05
# Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码 1. 使用Pytorch定义ReNet50网络模型； 2. 使用Pytorch加载MNIST数据集，首次运行自动下载； 3. 实现训练MNIST手写数字图像分类，训练过程显示loss...
PyTorch 实现 卷积神经网络（CNN）、全连接层、卷积层、池化层、MNIST手写字体识别-谢TS的博客.pdf
07-17
在本文中，我们将探讨如何使用PyTorch实现卷积神经网络（CNN），以及全连接层、卷积层和池化层的概念。CNN是一种广泛应用于图像处理和计算机视觉任务的深度学习模型，特别适合处理高维特征数据，如图像的像素信息。 ...
pytorch实现MNIST手写体识别
09-17
在本教程中，我们将探讨如何使用PyTorch框架实现MNIST手写体识别。MNIST是一个广泛用于机器学习和深度学习研究的基准数据集，它包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的手写数字图像。我们...
使用PyTorch实现MNIST手写体识别代码
09-18
在本教程中，我们将探讨如何使用PyTorch框架来实现MNIST手写体识别任务。MNIST是一个广泛使用的数据集，包含60,000个训练样本和10,000个测试样本，每个样本是28x28像素的灰度图像，代表0到9的手写数字。这个数据集...
lenet mnist 数字10000次cnn结果 (.caffemodel)
12-18
lenet_iter_10000.caffemodel lenet_iter_5000.caffemodel
GoogleNet_fashion_mnist.py
04-23
用GoogleNet实现fashion_mist数据集，准确率91.3%,损失精度为47.3%
【PyTorch】基于CNN的手写数字识别（在MNIST数据集上训练）
XavierJ的博客
11-09 9409
项目场景 简单的学习pytorch、自动求导和神经网络的知识后，我们来练习使用mnist手写数字集训练一个cnn模型。 导入模块 import torch import torch.nn as nn import matplotlib.pyplot as plt from torch.utils.data import DataLoader from torchvision import datasets, transforms matplotlib库用于绘图，如果没有请通过pip命令安装： pip in
PyTorch入门一：卷积神经网络实现MNIST手写数字识别
酒酿小圆子呀～
07-23 4214
PyTorch官方教程（中文版）：http://pytorch123.com 《动手学深度学习》PyTorch版：https://github.com/ShusenTang/Dive-into-DL-PyTorch 1. pytorch介绍 PyTorch是Torch7团队开发的，与Torch的不同之处在于PyTorch使用了Python作为开发语言，同样说明它是一个以Python优先的深度学习框架，它不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是TensorFlow等很多主流框架不支持的。而
学习pytorch（三）简单卷积神经网络训练MNIST（利用GPU计算）
ld_long的博客
02-08 973
简单卷积神经网络训练MNIST（利用GPU计算） 本篇不分享神经网络的知识，只分享pytorch下如何构建简单的卷积神经网络模型并让模型学习MNIST手写数字识别。学习和预测过程利用GPU计算减轻cpu的负担。在pytorch中，把计算工作交给GPU的操作很简单，操作都用python ‘’’ ‘’’ 注释标出 import torch from torchvision import datasets #这个包包含了多个数据集，这些数据集都是torch.nn.datasets类的子类。可以供DataLoade
pytorch卷积神经网络_卷积神经网络，PYTORCH-MINST入门。
weixin_39797693的博客
12-07 268
从暑假7月份准备数学建模国赛那段时间开始接触机器学习，到现在也快4个月了。这4个月，看了Andrew NG的入门课程，还看了北邮、河北工大俩位老师的课程；虽然理论部分有很多地方都似懂非懂，最近入门PYTORCH也苦于没有优质和适合自己的资源。但是也总算是完成了从理论到实践的一个完整流程。本文主要讲的是使用PYTORCH库训练预测MNIST数据集。学的不精，也不是宇宙机专业，另外还是第一次在知乎写文...
实验十一、使用PyTorch训练MNIST数据集上的卷积神经网络
qq_42440859的博客
06-01 2136
使用PyTorch训练MNIST数据集上的卷积神经网络
Pytorch实现GoogLeNet解决各类数据集(cifar10/mnist/imagenet)分类
机器学习
05-29 4257
有一段时间没有更新了，这次我给大家带来的是大名鼎鼎的GoogleNet模型。也可以称为Inception v3模型。参考了源代码，写出了可读性与性能更优的模型，在模型上有些许微调，输入的图片大小是224 x 224 x 3.!!! 图片大小可以任意调节，甚至用来训练CIFAR10也可以。本文先放出代码。 完整代码点这里 ) import torch from torch import nn NU...
Pytorch-手写字体识别
06-08
下面是一个简单的 PyTorch 手写体识别示例代码： ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset from torchvision.datasets import MNIST from torchvision.transforms import ToTensor # 加载数据集 train_dataset = MNIST(root='data', train=True, transform=ToTensor(), download=True) test_dataset = MNIST(root='data', train=False, transform=ToTensor(), download=True) # 构建数据加载器 train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False) # 定义模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv = nn.Sequential( nn.Conv2d(1, 32, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), ) self.fc = nn.Sequential( nn.Linear(64 * 7 * 7, 128), nn.ReLU(), nn.Linear(128, 10), ) def forward(self, x): x = self.conv(x) x = x.view(x.size(0), -1) x = self.fc(x) return x # 定义模型、损失函数和优化器 model = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练模型 for epoch in range(10): running_loss = 0.0 for i, (inputs, labels) in enumerate(train_loader, 0): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() # 打印训练信息 print('Epoch %d loss: %.3f' % (epoch+1, running_loss/len(train_loader))) # 测试模型 correct = 0 total = 0 with torch.no_grad(): for inputs, labels in test_loader: outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() # 打印测试结果 print('Accuracy on %d test images: %.2f %%' % (total, 100 * correct / total)) ``` 在这个示例代码中，我们首先使用 PyTorch 内置的 MNIST 数据集下载工具加载了训练集和测试集，并构建了数据加载器。然后，我们定义了一个包含两个卷积层和两个全连接层的卷积神经网络，并使用交叉熵损失函数和 Adam 优化器进行模型训练。最后，我们使用测试集对模型进行测试，并计算出了模型在测试集上的准确率。 这个示例代码只是一个简单的手写体识别的 PyTorch 实现，你可以根据自己的需求进行修改和扩展。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值