本文介绍和lenetas设备（卷积神经网络的代码实现）相关内容。
leneta
# 5.5 卷积神经网络（LeNet），即含卷积层的网络。# （1）LeNet模型# LeNet分为卷积层块和全连接层块两个部分。# 卷积层块里的基本单位是卷积层后接最大池化层：卷积层用来识别图像里的空间模式，如线条和物体局部；最大池化层则用来降低卷积层对位置的敏感性。# 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用5×5的窗口，并在输出上使用sigmoid激活函数。# 第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。# 卷积层块的两个最大池化层的窗口形状均为2×2，且步幅为2。由于池化窗口与步幅形状相同，池化窗口在输入上每次滑动所覆盖的区域互不重叠。# 卷积层块的输出形状为(批量大小, 通道, 高, 宽)。# 当卷积层块的输出传入全连接层块时，全连接层块会将小批量中每个样本变平（flatten）。也就是说，全连接层的输入形状将变成二维，# 其中第一维是小批量中的样本，第二维是每个样本变平后的向量表示，且向量长度为通道、高和宽的乘积。# 全连接层块含3个全连接层。它们的输出个数分别是120、84和10，其中10为输出的类别个数。import timeimport torchfrom torch import nn, optimimport syssys.path.append("..")import d2lzh as d2ldevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 通过Sequential类来实现LeNet模型。class LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()在卷积层块中输入的高和宽在逐层减小。卷积层由于使用高和宽均为5的卷积核，从而将高和宽分别减小4; # 而池化层则将高和宽减半，但通道数则从1增加到16。 self.conv = nn.Sequential(nn.Conv2d(1, 6, 5), # in_channels, out_channels, kernel_size nn.Sigmoid(), nn.MaxPool2d(2, 2), # kernel_size, stride nn.Conv2d(6, 16, 5), nn.Sigmoid(), nn.MaxPool2d(2, 2))# 全连接层则逐层减少输出个数，直到变成图像的类别数10。 self.fc = nn.Sequential(nn.Linear(16*4*4, 120), nn.Sigmoid(), nn.Linear(120, 84), nn.Sigmoid(), nn.Linear(84, 10))def forward(self, img):feature = self.conv(img)output = self.fc(feature.view(img.shape[0], -1))return outputnet = LeNet()print(net)# （2）获取数据和训练模型# 下面我们来实验LeNet模型。实验中，使用Fashion-MNIST作为训练数据集。batch_size = 256train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)lr, num_epochs = 0.001, 5optimizer = torch.optim.Adam(net.parameters(), lr=lr)d2l.train_ch5(net, train_iter, test_iter, batch_size, optimizer, device, num_epochs)
更多和leneta相关游戏内容可以查看本站其他文章。
