Pytorch demo（一）之分类测试识别

最新推荐文章于 2024-09-23 00:15:00 发布

原创

最新推荐文章于 2024-09-23 00:15:00 发布 · 877 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#卷积 #神经网络

本文介绍了一种卷积神经网络(CNN)的实现，通过LeNet模型在CIFAR10数据集上进行图像分类任务。详细阐述了模型结构，包括两层卷积层和两层池化层，以及全连接层的设计。同时，文章展示了如何加载数据集、训练模型、调整学习率以及评估模型性能。

文章目录

demo流程

model.py定义卷积神经网络
train.py加载数据集并训练，训练集计算loss，测试集计算accuracy，保存训练模型
predict.py用自己图像进行分类测试，并显示出图像改变成32*32大小后的图像和预测出的类别

定义卷积神经网络

def __init__(self):
  super(LeNet, self).__init__()
  self.conv1 = nn.Conv2d(3,16,5)  # 第一个卷积层
  self.pool1 = nn.MaxPool2d(2,2)  # 第一个subsampling下采样层
  self.conv2 = nn.Conv2d(16,32,5)  # 第二个卷积层
  self.pool2 = nn.MaxPool2d(2,2)  # 第二个subsampling下采样层
  self.fc1 = nn.Linear(32*5*5,120)  # 将矩阵展平之后得到的结点就是32*5*5,且输出120
  self.fc2 = nn.Linear(120,84)
  self.fc3 = nn.Linear(84,10)    # 最终有10类，所以最后一个全连接层输出数量是10
  
def forward(self,x):
   x = F.relu(self.conv1(x))  # input(3,32,32)  output(16,28,28)
   x = self.pool1(x)  # output(16,14,14)
   x = F.relu(self.conv2(x))  # output(32,10,10)
   x = self.pool2(x)  # output(32,5,5)
   x = x.view(-1,32*5*5)  # output(32*5*5=800)
   x = F.<