探索用卷积神经网络实现MNIST数据集分类

简介: 探索用卷积神经网络实现MNIST数据集分类

问题

对比单个全连接网络,在卷积神经网络层的加持下,初始时,整个神经网络模型的性能是否会更好。

方法

模型设计

两层卷积神经网络(包含池化层),一层全连接网络。

  1. 选择 5 x 5 的卷积核,输入通道为 1,输出通道为 10:
    此时图像矩阵经过 5 x 5 的卷积核后会小两圈,也就是4个数位,变成 24 x 24,输出通道为10;
  2. 选择 2 x 2 的最大池化层:
    此时图像大小缩短一半,变成 12 x 12,通道数不变;
  3. 再次经过5 x 5的卷积核,输入通道为 10,输出通道为 20:
    此时图像再小两圈,变成 8*8,输出通道为20;
  4. 再次经过2 x 2的最大池化层:
    此时图像大小缩短一半,变成 4 x 4,通道数不变;
  5. 最后将图像整型变换成向量,输入到全连接层中:
    输入一共有 4 x 4 x 20 = 320个元素,输出为 10.


代码


准备数据集

# 准备数据集

batch_size = 64

transform = transforms.Compose([

  transforms.ToTensor(),

  transforms.Normalize((0.1307,), (0.3081,))

])

train_dataset = datasets.MNIST(root='data’,

                             train=True,

                             download=True,

                             transform=transform)

train_loader = DataLoader(train_dataset,

                        shuffle=True,

                        batch_size=batch_size)

test_dataset = datasets.MNIST(root='data',

                            train=False,

                            download=True,

                            transform=transform)

test_loader = DataLoader(test_dataset,

                       shuffle=False,

                       batch_size=batch_size)


建立模型

class Net(torch.nn.Module):

  def __init__(self):

      super(Net, self).__init__()

      self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)

      self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)

      self.pooling = torch.nn.MaxPool2d(2)

      self.fc = torch.nn.Linear(320, 10)

  def forward(self, x):

      batch_size = x.size(0)

      x = F.relu(self.pooling(self.conv1(x)))

      x = F.relu(self.pooling(self.conv2(x)))

      x = x.view(batch_size, -1)

      x = self.fc(x)

      return x

model = Net()

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

model.to(device)


构造损失函数+优化器

criterion = torch.nn.CrossEntropyLoss()

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)


训练+测试

def train(epoch):

  running_loss = 0.0

  for batch_idx, data in enumerate(train_loader, 0):

      inputs, target = data

      inputs,target=inputs.to(device),target.to(device)

      optimizer.zero_grad()

      outputs = model(inputs)

      loss = criterion(outputs, target)

      loss.backward()

      optimizer.step()

      running_loss += loss.item()

      if batch_idx % 300 == 299:

          print('[%d,%.5d] loss:%.3f' % (epoch + 1, batch_idx + 1, running_loss / 2000))

          running_loss = 0.0

def test():

  correct=0

  total=0

  with torch.no_grad():

      for data in test_loader:

          inputs,target=data

          inputs,target=inputs.to(device),target.to(device)

          outputs=model(inputs)

          _,predicted=torch.max(outputs.data,dim=1)

          total+=target.size(0)

          correct+=(predicted==target).sum().item()

  print('Accuracy on test set:%d %% [%d%d]' %(100*correct/total,correct,total))

if __name__ =='__main__':

  for epoch in range(10):

      train(epoch)

      test()


运行结果


(1)batch_size:64,训练次数:10


(2)batch_size:128,训练次数:10

(3)batch_size:128,训练次数:10


结语

对比单个全连接网络,在卷积神经网络层的加持下,初始时,整个神经网络模型的性能显著提升,准确率最低为96%。在batch_size:64,训练次数:100情况下,准确率达到99%。下一阶在平均池化,3*3卷积核,以及不同通道数的情况下,探索对模型性能的影响。                                    

目录
打赏
0
0
0
0
14
分享
相关文章
RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
34 3
RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
54 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
42 16
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
38 15
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
YOLOv11改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计
YOLOv11改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计
43 8
YOLOv11改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计
RT-DETR改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能
RT-DETR改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能
32 5
RT-DETR改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能
YOLOv11改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能
YOLOv11改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能
24 7
YOLOv11改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能
RT-DETR改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计
RT-DETR改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计
39 11
RT-DETR改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
RT-DETR改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
32 0
RT-DETR改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A,利用CNN卷积神经网络对金融数据进行预测,并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据,训练并测试各模型,展示预测结果及误差分析。CNN通过卷积层捕捉局部特征,BP网络学习非线性映射,RBF网络进行局部逼近,LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
131 10

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等