首页 / 深度学习 / MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三）

MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三）

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2669字，纯文字阅读大概需要4分钟。

内容图文

版权声明：本文为博主原创文章，欢迎转载，并请注明出处。联系方式：460356155@qq.com

在前两篇文章MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（一）、MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（二）中，采用全连接神经网络（784-300-10），分别用非深度学习框架和基于pytorch实现，训练结果相当。

这里采用卷积神经网络（CNN）中著名的LeNet-5网络来训练，除了网络定义部分外，其他代码基本和MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（二）相同。

网络定义代码：

             1
            #
            定义网络模型
             2
            class
             LeNet(nn.Module):

             3
            def
            __init__
            (self):

             4         super(LeNet, self).__init__()
 5 6         self.cnn = nn.Sequential(
 7#卷积层1，单通道输入，6个卷积核，核大小5*5 8#经过该层图像大小变为28-5+1，24*24 9#经2*2最大池化，图像变为12*1210             nn.Conv2d(1, 6, 5),
11            nn.ReLU(),
12             nn.MaxPool2d(2),
1314#卷积层2，6通道，16个卷积核，核大小5*515#经过该层图像变为12-5+1，8*816# 经2*2最大池化，图像变为4*417             nn.Conv2d(6, 16, 5),
18            nn.ReLU(),
19             nn.MaxPool2d(2)
20        )
2122         self.fc = nn.Sequential(
23# 16个feature，每个feature4*424             nn.Linear(16 * 4 * 4, 120),
25            nn.ReLU(),
26             nn.Linear(120, 84),
27            nn.ReLU(),
28             nn.Linear(84, 10)
29        )
3031def forward(self, x):
32         x = self.cnn(x)
33         x = x.view(x.size()[0], -1)
34         x = self.fc(x)
35return x

网络训练结果准确率约在99%，LeNet-5比前面的全连接神经网络高1.x%。运行结果如下：

train data num: 60000 , test data num: 10000
epoch:0 i:999 loss:0.11399480700492859
epoch:0 i:1999 loss:0.1237913966178894
epoch:0 i:2999 loss:0.12948277592658997
EPOCH:0, ACC:97.5
epoch:1 i:999 loss:0.006639003753662109
epoch:1 i:1999 loss:0.0011253952980041504
epoch:1 i:2999 loss:0.03325369954109192
EPOCH:1, ACC:98.35
epoch:2 i:999 loss:0.0021111369132995605
epoch:2 i:1999 loss:0.2714851200580597
epoch:2 i:2999 loss:0.0016380250453948975
EPOCH:2, ACC:98.64
epoch:3 i:999 loss:0.00033468008041381836
epoch:3 i:1999 loss:0.05128034949302673
epoch:3 i:2999 loss:0.1222798228263855
EPOCH:3, ACC:98.65
epoch:4 i:999 loss:0.0006810426712036133
epoch:4 i:1999 loss:0.002728283405303955
epoch:4 i:2999 loss:0.000545889139175415
EPOCH:4, ACC:98.89
epoch:5 i:999 loss:0.006086885929107666
epoch:5 i:1999 loss:0.07402010262012482
epoch:5 i:2999 loss:0.03638958930969238
EPOCH:5, ACC:98.93
epoch:6 i:999 loss:0.0002015829086303711
epoch:6 i:1999 loss:0.0004933476448059082
epoch:6 i:2999 loss:0.03196592628955841
EPOCH:6, ACC:99.02
epoch:7 i:999 loss:0.01734447479248047
epoch:7 i:1999 loss:2.9087066650390625e-05
epoch:7 i:2999 loss:0.018512487411499023
EPOCH:7, ACC:98.73
epoch:8 i:999 loss:4.70280647277832e-05
epoch:8 i:1999 loss:0.008362054824829102
epoch:8 i:2999 loss:2.9206275939941406e-06
EPOCH:8, ACC:98.84
epoch:9 i:999 loss:0.00012737512588500977
epoch:9 i:1999 loss:0.00020432472229003906
epoch:9 i:2999 loss:0.00022774934768676758
EPOCH:9, ACC:99.1
MINIST pytorch LeNet-5 Train: EPOCH:10, BATCH_SZ:16, LR:0.05
train spend time:  0:01:05.897404

损失函数值变化曲线为：

技术分享图片

原文：https://www.cnblogs.com/zhengbiqing/p/10408358.html

内容总结

以上是互联网集市为您收集整理的MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三）全部内容，希望文章能够帮你解决MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/1160492.html

来源：【匿名】