卷积神经网络（LeNet）
博客地址：https://www.cnblogs.com/zylyehuo/一、导入所用库
import torch
from torch import nn
from d2l import torch as d2l
二、自定义重塑层
class Reshape(nn.Module):
def forward(self, x):
return x.view(-1, 1, 28, 28)
三、构建 LeNet 网络
net = nn.Sequential(
Reshape(), # 将输入 (batch, 784) → (batch, 1, 28, 28)
nn.Conv2d(1, 6, kernel_size=5, padding=2),# 卷积层1：输入通道 1 → 输出通道 6，卷积核 5×5，padding=2 保持宽高不变
nn.Sigmoid(), # 激活函数：Sigmoid
nn.AvgPool2d(kernel_size=2, stride=2), # 平均池化1：kernel=2, stride=2，下采样一半
nn.Conv2d(6, 16, kernel_size=5), # 卷积层2：6→16，kernel=5×5，默认无 padding → 尺寸缩小
nn.Sigmoid(), # Sigmoid 激活
nn.AvgPool2d(kernel_size=2, stride=2), # 平均池化2
nn.Flatten(), # 展平：把多维特征图拉成一维向量
nn.Linear(16 * 5 * 5, 120), # 全连接层1：输入 16×5×5 → 输出 120
nn.Sigmoid(), # Sigmoid 激活
nn.Linear(120, 84), # 全连接层2：120 → 84
nn.Sigmoid(), # Sigmoid 激活
nn.Linear(84, 10) # 输出层：84 → 10 类别
)
四、验证每层输出形状
X = torch.rand(size=(1, 1, 28, 28), dtype=torch.float32)
for layer in net:
X = layer(X)
print(layer.__class__.__name__, 'output shape:\t', X.shape)
五、加载 Fashion-MNIST 数据
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)
六、定义 GPU 下的准确率评估函数
def evaluate_accuracy_gpu(net, data_iter, device=None):
"""在 GPU 上评估模型在给定数据集上的准确率"""
if isinstance(net, nn.Module):
net.eval()# 切换到评估模式，关闭 dropout、batchnorm 等
if not device:
device = next(iter(net.parameters())).device
# metric 累积正确预测数；metric 累积样本总数
metric = d2l.Accumulator(2)
with torch.no_grad():
for X, y in data_iter:
X, y = X.to(device), y.to(device)
y_hat = net(X)
metric.add(d2l.accuracy(y_hat, y), y.numel())
return metric / metric七、定义训练函数（带 GPU 支持）
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
# 1. 权重初始化：对每个线性层和卷积层使用 Xavier 均匀分布初始化
def init_weights(m):
if type(m) in (nn.Linear, nn.Conv2d):
nn.init.xavier_uniform_(m.weight)
net.apply(init_weights)
print('training on', device)
net.to(device)# 把模型参数搬到指定设备
optimizer = torch.optim.SGD(net.parameters(), lr=lr)
loss = nn.CrossEntropyLoss()
# 可视化工具：训练过程实时画图
animator = d2l.Animator(xlabel='epoch', xlim=,
legend=['train loss', 'train acc', 'test acc'])
timer, num_batches = d2l.Timer(), len(train_iter)
# 2. 训练循环
for epoch in range(num_epochs):
# 累积训练损失、训练正确预测数、样本数
metric = d2l.Accumulator(3)
net.train()# 切回训练模式
for i, (X, y) in enumerate(train_iter):
timer.start()
X, y = X.to(device), y.to(device)
optimizer.zero_grad()
y_hat = net(X)
l = loss(y_hat, y)
l.backward()
optimizer.step()
with torch.no_grad():
metric.add(l * y.numel(), d2l.accuracy(y_hat, y), y.numel())
timer.stop()
# 每训练完一个 epoch，或者到达最后一个 batch 时更新可视化
if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
animator.add(epoch + (i + 1) / num_batches,
(metric / metric, metric / metric, None))
# 每个 epoch 结束后计算一次测试集准确率并更新图示
test_acc = evaluate_accuracy_gpu(net, test_iter, device)
animator.add(epoch + 1, (None, None, test_acc))
# 输出整体训练速度
print(f'{metric * num_epochs / timer.sum():.1f} examples/sec on {device}')
八、运行训练
lr, num_epochs = 0.9, 10
train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())https://img2024.cnblogs.com/blog/3071480/202507/3071480-20250711211944940-48903472.png
九、总结
十、流程概览
1. 环境准备
2. 网络构建
3. 数据加载
4. 训练循环
for epoch in 1…N:
for 每个 batch (X, y):
1) 前向计算 ŷ = net(X)
2) 计算损失 L = Loss(ŷ, y)
3) 反向传播 L.backward()
4) 优化器更新参数 optimizer.step()
5) 累积训练损失 & 正确率
end-for
# 每跑完一个 epoch：
- 在测试集上评估一次准确率
- 把训练损失、训练准确率、测试准确率推到“动画器”里，实时画图
end-for
5. 评估与可视化
6. 通俗小结
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]