这是一个使用PyTorch实现的卷积神经网络(CNN),用于对MNIST数据集中的手写数字进行分类。
该网络由两个卷积层组成,其中间有ReLU激活函数和最大池化层。第一个卷积层有16个过滤器,过滤器大小为5x5,填充为2,以保持输出大小与输入相同。第二个卷积层有32个过滤器,与第一个卷积层具有相同的过滤器大小和填充。在第二个卷积层之后,输出被展平,并通过具有10个输出神经元的全连接层传递,对应于10个可能的数字。从全连接层的输出经过softmax激活函数,以获得最终分类概率。
使用Adam优化器以0.001的学习率和交叉熵损失函数进行训练。训练使用批量大小为50进行一次,测试时使用前2000个测试图像,将网络输出与真实标签进行比较,以获取模型的准确性。
以下是两层卷积的完整代码:
import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision # 数据库模块
import matplotlib.pyplot as plt
torch.manual_seed(1) # reproducible
# Hyper Parameters
EPOCH = 1 # 训练整批数据多少次, 为了节约时间, 我们只训练一次
BATCH_SIZE = 50
LR = 0.001 # 学习率
DOWNLOAD_MNIST = True # 如果你已经下载好了mnist数据就写上 False
# Mnist 手写数字
train_data = torchvision.datasets.MNIST(
root='./mnist/', # 保存或者提取位置
train=True, # this is training data
transform=torchvision.transforms.ToTensor(), # 转换 PIL.Image or numpy.ndarray 成
# torch.FloatTensor (C x H x W), 训练的时候 normalize 成 [0.0, 1.0] 区间
download=DOWNLOAD_MNIST, # 没下载就下载, 下载了就不用再下了
)
test_data = torchvision.datasets.MNIST(root='./mnist/', train=False)
# 批训练 50samples, 1 channel, 28x28 (50, 1, 28, 28)
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)
# 为了节约时间, 我们测试时只测试前2000个
test_x = torch.unsqueeze(test_data.data, dim=1).type(torch.FloatTensor)[
:2000] / 255. # shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)
test_y = test_data.test_labels[:2000]
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Sequential(<