使用 PyTorch 实现简化版 GoogLeNet 进行 MNIST 图像分类

介绍

        本文将介绍如何使用 PyTorch 实现一个简化版的 GoogLeNet 网络来进行 MNIST 图像分类。GoogLeNet 是 Google 提出的深度卷积神经网络（CNN），其通过 Inception 模块大大提高了计算效率并提升了分类性能。我们将实现一个简化版的 GoogLeNet，用于处理 MNIST 数据集，该数据集由手写数字图片组成，适合用于小规模的图像分类任务。

项目结构

        我们将代码分为两个部分：

• 训练脚本 train.py：包括数据加载、模型构建、训练过程等。
• 测试脚本 test.py：用于加载训练好的模型并在测试集上评估性能。

项目依赖

        在开始之前，我们需要安装以下 Python 库：

• torch：PyTorch 深度学习框架
• torchvision：提供数据加载和图像变换功能
• matplotlib：用于可视化

        可以通过以下命令安装所有依赖：

pip install -r requirements.txt

  requirements.txt 文件内容如下：

torch==2.0.1
torchvision==0.15.0
matplotlib==3.6.3

数据预处理与加载

1. 数据加载和预处理

        在训练模型之前，我们需要对 MNIST 数据集进行预处理。以下是数据加载和预处理的代码：

import torch
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

def get_data_loader(batch_size=64, train=True):
    transform = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.5,), (0.5,))  # 正规化到 [-1, 1] 范围
    ])

    dataset = datasets.MNIST(root='./data', train=train, download=True, transform=transform)
    return DataLoader(dataset, batch_size=batch_size, shuffle=True, pin_memory=True, num_workers=4)

        这里，我们使用了 transforms.Compose 来进行数据预处理，包括将图像转换为 Tensor 格式，并进行归一化处理。

---