LeNet原理及代码实现
目录
1.原理及介绍
2.代码实现
2.1model.py
import torch
from torch import nn
from torchsummary import summary
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
# 定义第一层卷积(in_channels；输入通道；out_channels：输出通道；kernel_size：卷积核大小；stride：步长，默认为1；padding：填充，默认为0)
self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, stride=1, padding=2)
self.sig = nn.Sigmoid() # 激活函数
self.pool1 = nn.AvgPool2d(kernel_size=2, stride=2) # 第一次池化
self.conv2 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5) # 定义第二层卷积
self.pool2 = nn.AvgPool2d(kernel_size=2, stride=2) # 第二次池化
self.flatten = nn.Flatten() # 平展操作
self.fc1 = nn.Linear(5 * 5 * 16, 120) # 第一个全连接层
self.fc2 = nn.Linear(120, 84) # 第二个全连接层
self.fc3 = nn.Linear(84, 10) # 第三个全连接层
def forward(self, x):
x = self.conv1(x)
x = self.sig(x)
x = self.pool1(x)
x = self.conv2(x)
x = self.sig(x)
x = self.pool2(x)
x = self.flatten(x)
x = self.fc1(x)
x = self.fc2(x)
x = self.fc3(x)
return x
if __name__ == "__main__":
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = LeNet().to(device)
print(summary(model, (1, 28, 28))) # 打印模型信息
2.2model_train.py
import copy
import time
import torch
import torch.nn as nn
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import torch.utils.data as data
from torchvision.datasets import FashionMNIST
from torchvision import transforms
from model import LeNet
def train_val_data_process():
train_dataset = FashionMNIST(
root='./data', # 指定下载文件夹
train=True, # 只下载训练集
# 归一化处理数据集
transform=transforms.Compose([transforms.Resize(size=28),
transforms.ToTensor()]), # 数据转换成张量形式，方便模型应用
download=True # 下载数据
)
# 划分训练集和验证集
train_data, val_data = data.random_split(train_dataset,
[round(0.8 * len(train_dataset)), round(0.2 * len(train_dataset))])
# 训练集加载
train_dataloader = data.DataLoader(dataset=train_data,
batch_size=32, # 一个批次数据的数量
shuffle=True, # 数据打乱
num_workers=2) # 分配的进程数目
# 验证集加载
val_dataloader = data.DataLoader(dataset=val_data,
batch_size=32,
shuffle=True,
num_workers=2)
return train_dataloader, val_dataloader
def train_model_process(model, train_dataloader, val_dataloader, num_epochs):
# 定义训练使用的设备，有GPU则用，没有则用CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 使用Adam优化器进行模型参数更新，学习率为0.001
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
# 损失函数为交叉熵损失函数
criterion = nn.CrossEntropyLoss()
# 将模型放入训练设备内
model = model.to(device)
# 复制当前模型参数(w,b等)，以便将最好的模型参数权重保存下来
best_model_wts = copy.deepcopy(model.state_dict())
# 初始化参数
# 最高准确度
best_acc = 0.0
# 训练集损失值列表
train_loss_all = []
# 验证集损失值列表
val_loss_all = []
# 训练集准确度列表
train_acc_all = []
# 验证集准确度列表
val_acc_all = []
# 当前时间
since = time.time()
for epoch in range(num_epochs):
print("Epoch {}/{}".format(epoch, num_epochs - 1))
print("-" * 10)
# 初始化参数
# 训练集损失值
train_loss = 0.0
# 训练集精确度
train_corrects = 0
# 验证集损失值
val_loss = 0.0
# 验证集精确度
val_corrects = 0
# 训练集样本数量
train_num = 0
# 验证集样本数量
val_num = 0
# 对每一个mini-batch训练和计算
for step, (b_x, b_y) in enumerate(train_dataloader):
# 将特征放入到训练设备中
b_x = b_x.to(device) # batch_size*28*28*1的tensor数据
# 将标签放入到训练设备中
b_y = b_y.to(device) # batch_size大小的向量tensor数据
# 设置模型为训练模式
model.train()
# 前向传播过程，输入为一个batch，输出为一个batch中对应的预测
output = model(b_x) # 输出为：batch_size大小的行和10列组成的矩阵
# 查找每一行中最大值对应的行标
pre_lab = torch.argmax(output, dim=1) # batch_size大小的向量表示属于物品的标签
# 计算每一个batch的损失函数，向量形式的交叉熵损失函数
loss = criterion(output, b_y)
# 将梯度初始化为0，防止梯度累积
optimizer.zero_grad()
# 反向传播计算
loss.backward()
# 根据网络反向传播的梯度信息来更新网络的参数，以起到降低loss函数计算值的作用
optimizer.step()
# 对损失函数进行累加，该批次的loss值乘于该批次数量得到批次总体loss值，在将其累加得到轮次总体loss值
train_loss += loss.item() * b_x.size(0)
# 如果预测正确，则准确度train_corrects加1
train_corrects += torch.sum(pre_lab == b_y.data)
# 当前用于训练的样本数量
train_num += b_x.size(0)
for step, (b_x, b_y) in enumerate(val_dataloader):
# 将特征放入到验证设备中
b_x = b_x.to(device)
# 将标签放入到验证设备中
b_y = b_y.to(device)
# 设置模型为评估模式
model.eval()
# 前向传播过程，输入为一个batch，输出为一个batch中对应的预测
output = model(b_x)
# 查找每一行中最大值对应的行标
pre_lab = torch.argmax(output, dim=1)
# 计算每一个batch的损失函数
loss = criterion(output, b_y)
# 对损失函数进行累加
val_loss += loss.item() * b_x.size(0)
# 如果预测正确，则准确度val_corrects加1
val_corrects += torch.sum(pre_lab == b_y.data)
# 当前用于验证的样本数量
val_num += b_x.size(0)
# 计算并保存每一轮次迭代的loss值和准确率
# 计算并保存训练集的loss值
train_loss_all.append(train_loss / train_num)
# 计算并保存训练集的准确率
train_acc_all.append(train_corrects.double().item() / train_num)
# 计算并保存验证集的loss值
val_loss_all.append(val_loss / val_num)
# 计算并保存验证集的准确率
val_acc_all.append(val_corrects.double().item() / val_num)
# 打印每一轮次的loss值和准确度
print("{} train loss:{:.4f} train acc: {:.4f}".format(epoch, train_loss_all[-1], train_acc_all[-1]))
print("{} val loss:{:.4f} val acc: {:.4f}".format(epoch, val_loss_all[-1], val_acc_all[-1]))
if val_acc_all[-1] > best_acc:
# 保存当前最高准确度
best_acc = val_acc_all[-1]
# 保存当前最高准确度的模型参数
best_model_wts = copy.deepcopy(model.state_dict())
# 计算训练和验证的耗时
time_use = time.time() - since
print("训练和验证耗费的时间{:.0f}m{:.0f}s".format(time_use // 60, time_use % 60))
# 选择最优参数，保存最优参数的模型
torch.save(best_model_wts, "./model_save/LeNet_best_model.pth")
# 将产生的数据保存成表格，方便查看
train_process = pd.DataFrame(data={"epoch": range(num_epochs),
"train_loss_all": train_loss_all,
"val_loss_all": val_loss_all,
"train_acc_all": train_acc_all,
"val_acc_all": val_acc_all})
return train_process
def matplot_acc_loss(train_process):
# 显示每一次迭代后的训练集和验证集的损失函数和准确率
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1) # 表示一行两列的第一张图
plt.plot(train_process['epoch'], train_process.train_loss_all, "ro-", label="Train loss")
plt.plot(train_process['epoch'], train_process.val_loss_all, "bs-", label="Val loss")
plt.legend()
plt.xlabel("epoch")
plt.ylabel("Loss")
plt.subplot(1, 2, 2) # 表示一行两列的第二张图
plt.plot(train_process['epoch'], train_process.train_acc_all, "ro-", label="Train acc")
plt.plot(train_process['epoch'], train_process.val_acc_all, "bs-", label="Val acc")
plt.xlabel("epoch")
plt.ylabel("acc")
plt.legend()
plt.show()
if __name__ == '__main__':
# 加载需要的模型
LeNet = LeNet()
# 加载数据集
train_data, val_data = train_val_data_process()
# 利用现有的模型进行模型的训练
train_process = train_model_process(LeNet, train_data, val_data, num_epochs=20)
matplot_acc_loss(train_process)
2.3model.test.py
import torch
import torch.utils.data as data
from torchvision import transforms
from torchvision.datasets import FashionMNIST
from model import LeNet
def test_data_process():
test_data = FashionMNIST(root='./data',
train=False, # 用测试集进行测试
transform=transforms.Compose([transforms.Resize(size=28), transforms.ToTensor()]),
download=True)
test_dataloader = data.DataLoader(dataset=test_data,
batch_size=1, # 该批次设为1
shuffle=True,
num_workers=0)
return test_dataloader
def test_model_process(model, test_dataloader):
# 设定测试所用到的设备，有GPU用GPU没有GPU用CPU
device = "cuda" if torch.cuda.is_available() else 'cpu'
# 讲模型放入到训练设备中
model = model.to(device)
# 初始化参数
test_corrects = 0.0
test_num = 0
# 只进行前向传播计算，不计算梯度，从而节省内存，加快运行速度
with torch.no_grad():
for test_data_x, test_data_y in test_dataloader:
# 将特征放入到测试设备中
test_data_x = test_data_x.to(device)
# 将标签放入到测试设备中
test_data_y = test_data_y.to(device)
# 设置模型为评估模式
model.eval()
# 前向传播过程，输入为测试数据集，输出为对每个样本的预测值
output = model(test_data_x)
# 查找每一行中最大值对应的行标
pre_lab = torch.argmax(output, dim=1)
# 如果预测正确，则准确度test_corrects加1
test_corrects += torch.sum(pre_lab == test_data_y.data)
# 将所有的测试样本进行累加
test_num += test_data_x.size(0)
# 计算测试准确率
test_acc = test_corrects.double().item() / test_num
print("测试的准确率为：", test_acc)
if __name__ == "__main__":
# 加载模型
model = LeNet()
model.load_state_dict(torch.load('./model_save/LeNet_best_model.pth')) # 调用训练好的参数权重
# 加载测试数据
test_dataloader = test_data_process()
# 加载模型测试的函数
test_model_process(model, test_dataloader)可以点个免费的赞吗！！！
原文地址：https://blog.csdn.net/weixin_59798969/article/details/140306634
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！