深度学习编程工具Pytorch—实现LeNet-5

最新推荐文章于 2025-10-22 09:59:09 发布

原创

最新推荐文章于 2025-10-22 09:59:09 发布 · 732 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch

本文介绍了如何使用PyTorch实现LeNet-5深度学习模型。主要内容包括主函数main()的训练和模型保存，以及训练函数train()和测试函数test()的详细解析。通过解读代码，阐述了PyTorch构建卷积神经网络的过程，以及模型的训练和测试流程。

Pytorch框架实现LeNet-5

1.背景与目标
2. 基于LeNet的Pytorch实现
- 2.1 主函数main()
- 2.2 训练函数train()与测试函数test()
3. 结尾
参考资料

1.背景与目标

在这一讲中，我们将讲解近年来流行的深度学习编程工具Pytorch的使用方法。最近几年Pytorch工具使用份额日益增长，目前已经成为学术界研究深度学习的第一编程工具。这一讲我们仍然以LeNet为例来讲解Pytorch这一编程工具。

2. 基于LeNet的Pytorch实现

2.1 主函数main()

首先，我们打开main.py程序：

import torch
from torch.utils.data import DataLoader
import scipy.misc
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import MNIST
from torch import optim

'''LeNet in PyTorch.'''
import torch.nn as nn
import torch.nn.functional as F
class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5, padding = 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1   = nn.Linear(16*5*5, 120)
        self.fc2   = nn.Linear(120, 84)
        self.fc3   = nn.Linear(84, 10)
    def forward(self, x):
        out = F.relu(self.conv1(x))
        out = F.max_pool2d(out, 2)
        out = F.relu(self.conv2(out))
        out = F.max_pool2d(out, 2