LeNet实现手写数字识别

使用LeNet模型训练MNIST数据集

最新推荐文章于 2024-11-19 14:19:44 发布

原创

最新推荐文章于 2024-11-19 14:19:44 发布 · 2.8k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#LeNet #手写数字识别 #pytorch

该博客介绍了如何使用LeNet网络结构来训练经典的MNIST手写数字识别数据集。首先，详细说明了LeNet的网络结构，包括卷积层、池化层等。然后，展示了使用PyTorch实现LeNet模型的完整代码，包括数据预处理、模型定义、训练过程和测试。最后，提供了加载和测试单个图像的代码示例。

MNIST数据集：https://github.com/wwjjss/MNIST/tree/main

代码：https://github.com/wwjjss/LeNet_MNIST/tree/main

LeNet介绍：

网络结构：

1：输入，大小表示为（C*H*W）=（channel，hight，width），下同

输入图像大小为32*32

2：C1卷积层

输入通道1，输入通道6，卷积核大小5*5，步长1，填充2，得到输出特征图大小（6*28*28）

3：S2池化层

输入大小6*28*28，卷积核2*2，步长2，使得特征图变为原来的一半，输出大小为（6*14*14）

4：C3卷积层

输入通道6，输出通道16，输入大小（6*14*14），卷积核5*5，输出大小（16*10*10）

5：S4池化层

输入大小16*10*10

代码部分：

import torch
import torch.nn as nn  # 引入pytorch函数库
import torchvision  # 引入pytorch的图形库（torchvision.datasets/.models/.transforms/.utils）
import torchvision.transforms as transforms  # 图形变换（如tensor转换）

# 是否使用GPU
DEVICE = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 设置超参数
NUM_CLASSES = 10  # 分类数目
EPOCHS = 5  # 训练轮次
BATCH_SIZE = 100  # 一轮训练批量大小
LR = 0.001  # 学习率learning_rate

# 创建数据集(root：设置数