使用PyTorch实现CNN

本文档详细介绍了如何使用PyTorch实现CNN,包括数据预处理、网络结构定义、损失函数与优化器的选择、训练过程,以及不同激活函数对模型性能的影响。经过实验,模型在测试集上的精确度达到了0.98。
摘要由CSDN通过智能技术生成

使用PyTorch实现CNN

1. 导入所需包:

import torch 
from torch.utils import data # 获取迭代数据
from torch.autograd import Variable # 获取变量
import torchvision
from torchvision.datasets import mnist # 获取数据集
import matplotlib.pyplot as plt

2. 获取数据集

2.1 获取数据集,并对数据集进行预处理

(1)对原有数据转成Tensor类型

(2)用平均值和标准偏差归一化张量图像

# 数据集的预处理
data_tf = torchvision.transforms.Compose(
    [
        torchvision.transforms.ToTensor(),
        torchvision.transforms.Normalize([0.5],[0.5])
    ]
)

data_path = r'C:\Users\liev\Desktop\myproject\yin_test\MNIST_DATA_PyTorch'
# 获取数据集
train_data = mnist.MNIST(data_path,train=True,transform=data_tf,download=False)
test_data = mnist.MNIST(data_path,train=False,transform=data_tf,download=False)

第一次下载的输出:

Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
Processing...
Done!

注意:

  1. 对数据的预处理还有很多。
  2. 第一次获取数据集时,参数download=True,会下载MNIST数据集所有文件,包括训练集和测试集
  3. 获取MNIST数据集的步骤:
  • 如果本地没有数据集:

    • train_data = mnist.MNIST(data_path,train=True,transform=data_tf,download=True)
      
    • 等待下载,直到下载完成

    • train_data = mnist.MNIST(data_path,train=True,transform=data_tf,download=False)
      test_data = mnist.MNIST(data_path,train=False,transform=data_tf,download=False)
      
    • 获取测试集和训练集

  • 如果本地有数据集

    • train_data = mnist.MNIST(data_path,train=True,transform=data_tf,download=False)
      test_data = mnist.MNIST(data_path,train=False,transform=data_tf,download=False)
      

2.2 获取迭代数据:data.DataLoader()

train_loader = data.DataLoader(train_data,batch_size=128,shuffle=True)
test_loader = data.DataLoader(test_data,batch_size=100,shuffle=True)

注意:

  1. DataLoader返回的是所有的数据,只是分成了每批次为参数batch_size的数据
  2. DataLoader的shuffle参数,True 决定了是否能多次取出batch_size,False,则表明只能取出数据集大小的数据。

3. 定义网络结构

CNN网络结构 输入shape 卷积核 激活函数 输出图像
conv1 [128,1,28,28] [3,3,1,16] ReLU [128, 16, 14, 14]
conv2 [128, 16, 14, 14] [3,3,16,32] ReLU [128, 32, 7, 7]
conv3 [128, 32, 7, 7] [3,3,32,64] ReLU [128, 64, 4, 4]
conv4 [128, 64, 4, 4] [3,3,64,64] ReLU [128, 64, 2, 2]

代码实现:

# 定义网络结构
class CNNnet(torch.nn.Module):
    def __init__(self):
        super(CNNnet,self).__init__()
        self.conv1 = torch.nn.Sequential(
            torch.nn.Conv2d(in_channels=1,
                            out_channels=16,
                            kernel_size=3,
                            stride=2,
                            padding=1),
            torch.nn.BatchNorm2d(16),
            torch.nn.ReLU()
        )
        self.conv2 = torch.nn.Sequential(
            torch.nn.Conv2d(16,32,3,2,1),
            torch.nn.BatchNorm2d(32),
            torch.nn.ReLU()
        )
        self.conv3 = torch.nn.Sequential(
            torch.nn.Conv2d(32,64,3,2,1),
            torch.nn.BatchNorm2d(64),
            torch.nn.ReLU()
        )
        self.conv4 = torch.nn.Sequential(
            torch.nn.Conv2d(64,64,2,2,0),
            torch.nn.BatchNorm2d(64),
            torch.nn.ReLU()
        )
        self.mlp1 = torch.nn.Linear(2*2*64,100)
        self.mlp2 = torch.nn.Linear(100,10)
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.conv3(x)
        x = self.conv4(x)
        x = self.mlp1(x.view(x.size(0),-1))
        x = self.mlp2(x)
        return x
model = CNNnet()
print(model)

输出:

CNNnet(
  (conv1): Sequential(
    (0): Conv2d(1, 16, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (conv2): Sequential(
    (0): Conv2d(16, 32, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  
  • 98
    点赞
  • 584
    收藏
    觉得还不错? 一键收藏
  • 18
    评论
评论 18
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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