图像分类篇-1：LeNet

目录

前言

 pytorch官方demo

 1. 环境

2. LeNet介绍  

3. 具体demo搭建

3.1 demo下载

3.2 demo的流程

3.3 demo-model.py

3.4 demo-train.py

3.5 demo-predict.py

---

前言

这个是按照B站up主的教程学习这方面知识的时候自己做的的笔记和总结，可能有点乱，主要是按照我自己的记录习惯

参考内容来自：

• up主的b站链接：https://space.bilibili.com/18161609/channel/series
• up主将代码和ppt都放在了github：https://github.com/WZMIAOMIAO
• up主的csdn博客：https://blog.csdn.net/qq_37541097/article/details/103482003

---

 pytorch官方demo

 1. 环境

                

---

2. LeNet介绍  

---

3. 具体demo搭建

3.1 demo下载

1. 下载来源：下载来源

---

3.2 demo的流程

1. model.py——定义LeNet模型
2. train.py——加载数据集并训练，训练集计算loss，测试集计算accuracy，保存训练好的网络参数
3. predict.py——得到训练好的网络参数后，用自己找的图像进行分类测试（调用模型进行预测的一个脚本）

3.3 demo-model.py

import torch.nn as nn
import torch.nn.functional as F

'''
模型
1.定义一个类
·   1.初始化函数：搭建中需要使用的网络层结构
    2.forward函数：定义正向传播的过程
'''
class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        # 使用super函数：因为在定义类的过程中继承了nn.Module这个类
        # super()：解决在多层继承中调用父类方法中可能出现的一系列问题——继承父类的构造函数
        self.conv1 = nn.Conv2d(3, 16, 5)
        # 定义卷积层 3：输入特征的深度// 16：16个卷积核// 5：卷积核尺度5*5
        self.pool1 = nn.MaxPool2d(2, 2)
        # 池化层大小2*2 步距也为2的池化操作（池化层只改变特征矩阵的高和宽，不影响深度）
        self.conv2 = nn.Conv2d(16, 32, 5)
        # 第二个卷积层 输入深度为16，因为第一个输出深度为16
        # 此处为32个卷积核，卷积核的尺度为5*5
        self.pool2 = nn.MaxPool2d(2, 2)
        # 第二个下采样层
        self.fc1 = nn.Linear(32*5*5, 120)
        # 全连接层：输入为一维向量，需要将所得到的特征矩阵展平为一维向量
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10) # 此处的10需要根据训练集进行修改，这里使用的cifar-10是具有10个类别的分类任务，所以这里是10

    def forward(self, x):
        x = F.relu(self.conv1(x))    # input(3, 32, 32) output(16, 28, 28)
        # 经过卷积后的矩阵尺寸大小计算公式：N = (W - F + 2P)/S + 1
        # 输入图片大小W*W// Filter大小为F*F// 步长S// padding的像素数P
        # W = 32// 故此处计算(32- 5 + 2*0)/1 + 1 = 28 因为上面设置了conv1为16的卷积核所以是（16， 28， 28）
        x = self.pool1(x)            # output(16, 14, 14) # 经过下采样，宽度和高度缩减一半
        x = F.relu(self.conv2(x))    # output(32, 10, 10)
        # 输入为14*14 （14 - 5 + 2*0）/1 + 1 = 10 输出10*10