PyTorch ------GoogLeNet卷积神经网络实现mnist手写体识别

最新推荐文章于 2025-06-13 21:14:36 发布
最新推荐文章于 2025-06-13 21:14:36 发布
阅读量2.1k 收藏 7
点赞数 3
CC 4.0 BY-SA版权
分类专栏： CNN 文章标签： pytorch 神经网络 GoogLeNet Inception
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/manmanking/article/details/104582386
本文介绍了使用PyTorch实现GoogLeNet模型进行mnist手写体识别的过程，探讨了GoogLeNet的Inception结构，如何通过1x1卷积减少计算复杂度，并对比了其与其他经典网络结构如AlexNet、VGG和NIN的差异。文章最后提供了代码示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • 计划将所有的经典模型使用pytorch在搞一遍
  • 接上一篇NIN现实mnist手写识别
  • 使用经典模型GoogLeNet模型实现相同的功能
  • GoogLeNet论文原文地址

GoogLeNet简介

GoogLeNet是2014年提出的一种全新的深度学习结构，在这之前的AlexNet、VGG、NIN等结构都通过增大网络深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception从另一种角度来提升训练结果：在相同的计算量下能提取到更多的特征，从而提升性能

  • GoogLeNet 由Inception基础块组成
  • Inception块相当于一个有4条子线路的小网络,它通过不同的filter卷积层和最大池化层来并行抽取信息,并使用1X1卷积层减少通道数从而降低模型复杂度.
  • 可以自定义的超参数是每个层的输出通道数没我们以此来控制模型的复杂度.
  • inception 经历了V1、V2、V3、V4 多个版本发展,不断调整完善
  • inception V1 Block structure:
    • 在这里插入图片描述
    • 前面也介绍过1X1卷积核的作用:
      • 为了减少维度,消除计算瓶颈
      • 增加深度而不会降低性能
      • 还用于修正线性激活函数,
      • 还可以减少很多的可训练参数

GoogLeNet模型

  • 完整模型结构
  • 在这里插入图片描述
    • GoogLeNet采用了可以重复堆叠使用的Inception Block 该做法,与前面介绍的VGG类似
    • GoogLeNet采用GAP代替全连接层,与前面介绍的NIN模块的想法也类似
    • 汲取前面模型的优点
  • GoogLeNet网络结构细节表图:
  • 在这里插入图片描述
  • 输入原始图片尺寸2
最低0.47元/天 解锁文章

200万优质内容无限畅学
PyTorch深度学习实践——基于GoogleNet网络实现的手写数字识别
m0_60458471的博客
09-10 577
import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader import torch.nn.functional import torch.nn.functional as F import torch.optim as optim import matplotlib.pyplot as plt batch_size =64.
PyTorch ------AlexNet卷积神经网络实现mnist手写体识别
实践是检验真理的唯一标准，经历了才会更加深切的懂得！！！
02-25 3428
接上一篇LeNet现实mnist手写识别 再次使用经典模型AlexNet实现相同的功能 先简单介绍一下,今天的主角,重燃神经网络辉煌的的模型AlexNet **AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生设计的,在那年之后，更多的更深的神经网络如雨后春笋般出现，比如优秀的vgg,GoogLeNet等。 对于传统的机器学习分类算法而言，已经是相当出色...
PyTorch基于卷积神经网络的手写数字识别
qq_27849725的博客
03-26 5872
本文演示了搭建一个4层卷积网络来识别MNIST数据集中的手写数字。经过2000步梯度下降，神经网络的识别错误率能下降到3%左右。
深度学习——基于PyTorch的MNIST手写数字识别详解
最新发布
zdx2585503940的博客
06-13 2073
60,000张用于训练10,000张用于测试图像为灰度图，28×28像素数字已居中处理，减少了预处理工作数据加载与预处理神经网络模型构建训练与测试流程关键概念解析这个项目虽然简单，但包含了深度学习项目的基本要素，是学习PyTorch和计算机视觉的优秀起点。通过调整模型结构和超参数，可以进一步提高识别准确率。
Pytorch实现手写数字识别【基于卷积神经网络】
Consult_
07-20 1423
Pytroch现手写数字识别，基于卷积神经网络
pytorch Sequential卷积神经网络（padding）
Lzj000lzj的博客
07-07 1497
数据准备 import torch import torch.nn as nn import torchvision import torchvision.transforms as transforms # Device configuration device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') ...
用PyTorch构建基于卷积神经网络的手写数字识别模型
zxb_1222的博客
03-17 6535
MINST数据库是机器学习领域非常经典的一个数据集，其由Yann提供的手写数字数据集构成，包含了0-9共10类手写数字图片，每张图片都做了尺寸归一化，都是28x28大小的灰度图。每张图片中像素值大小在0-255之间，其中0是黑色背景，255是白色前景。
PyTorch ------VGG卷积神经网络实现mnist手写体识别
实践是检验真理的唯一标准，经历了才会更加深切的懂得！！！
02-26 6142
-接上一篇AlexNet现实mnist手写识别 使用经典模型VGGNet模型实现相同的功能 先简单介绍一下,今天的主角VGGNet,曾获得2014年ImageNet亚军 原论文地址传送门 上图看看VGGNet系列模型的结构: 下面是参数个数比较 先看看VGGNet内部的比较 A和A-LRN的比较,只有一个LRN的差异,在经过多次的训练比较发现,LRN增加了复杂度,损耗内存,存在的意义不是很大...
PyTorch--卷积神经网络（CNN）模型实现手写数字识别
wumingzei的博客
08-14 3236
今天要介绍的这段代码是一个使用PyTorch框架实现的卷积神经网络（CNN）模型，用于对MNIST数据集进行分类的示例。MNIST数据集是手写数字识别领域的一个标准数据集，包含0到9的灰度图像。导入必要的库：导入PyTorch、PyTorch神经网络模块、torchvision（用于处理图像数据集）和transforms（用于图像预处理）。设备配置：设置模型运行的设备，优先使用GPU（如果可用），否则使用CPU。超参数设置：定义了训练迭代的轮数(num_epochs)、类别数()、批次大小(
PyTorch 实现 卷积神经网络（CNN）、全连接层、卷积层、池化层、MNIST手写字体识别-谢TS的博客.pdf
07-17
在本文中，我们将探讨如何使用PyTorch实现卷积神经网络（CNN），以及全连接层、卷积层和池化层的概念。CNN是一种广泛应用于图像处理和计算机视觉任务的深度学习模型，特别适合处理高维特征数据，如图像的像素信息。 ...
Pytorch之卷积神经网络（Mnist）学习
qq_42192910的博客
09-20 689
机器学习的Github代码阅读总结 以前写的代码太差，而代码的书写和可读性很重要，在此学习记录。阅读的代码是pytorch官方给的例子：https://github.com/pytorch/examples 1、Argparse库的使用 Argparse库的使用很频繁，一般是写在开头，主要是用于命令行（cmd）中运行python文件的一些参数设置（如：batch size， learning ra...
基于卷积神经网络的手写数字识别
06-16
最简单、最基本的卷积神经网络用于手写体的数字识别，数据集是MINST，框架是pytorch,代码及注释都写的非常清楚！
GoogleNet_fashion_mnist.py
04-23
用GoogleNet实现fashion_mist数据集，准确率91.3%,损失精度为47.3%
Pytorch实现MNIST手写数字识别（全连接神经网络及卷积神经网络）-附件资源
03-05
Pytorch实现MNIST手写数字识别（全连接神经网络及卷积神经网络）-附件资源
卷积神经网络CNN框架的实现与应用
03-23
1、掌握卷积神经网络CNN的基本原理 2、利用CNN实现手写数字识别 参考博客：https://blog.youkuaiyun.com/weixin_43442778/article/details/115114216
pytorch版本手写体识别MNIST.zip
11-22
手写体识别数据！应用于pytorch版本的，pytorch版本1.31，代码在博客中，有问题欢迎留言 python版本3.74，代码软件pycharm
【卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别 源码详解 深度学习 Pytorch笔记 B站刘二大人 （9.5/10）】
qq_43649786的博客
09-17 1367
在上一章已经完成了卷积神经网络的结构分析，并通过各个模块理解在pytorch框架下卷积神经网络各个模块的底层运行原理和数据传输细节在本章中将通过pytorch模块复现经典深度学习模型GoogleNet，并使用minist数据集实现手写数字的识别。
深度学习入门实战----基于Keras的手写数字识别 (GoogleNet)
rookie_weng的博客
12-13 1270
深度学习入门实战----基于Keras的手写数字识别系列 深度学习入门实战----基于Keras的手写数字识别 （LeNet） 深度学习入门实战----基于Keras的手写数字识别 (VGG16) GoogleNet 论文题目：《Very Deep Convolutional Networks For Large-Scale Image Recongnition》             ...
基于Pytorch框架的GoogleNet：MNIST数据集手写数字识别
qq_33629518的博客
10-22 891
Debug问题总结： 一、使用x.view(size,-1)进行矩阵变换后没有赋值给x 二、在编写测试函数时没有使用mini-hatch会出现报错（无法同时处理过多测试集） 三、使用torch.max()将pred_data转换成pred_labels时有两个返回值，分别是最大项及其索引值，要使用_,pred_labels=torch.max(pred_data)进行赋值，不能省略逗号 四、准确率计算时是比较pred_labels和test_labels,不是pred_data，否则准确率输出为0% 五、i
-VGG卷积神经网络实现mnist手写体识别
03-08
嗯，用户想用VGG网络实现MNIST手写数字识别。首先，我得回忆一下VGG的结构，特别是VGG16或者VGG19。不过MNIST是28x28的灰度图像，而VGG通常处理224x224的RGB图像。所以可能需要调整输入层，比如把单通道转为三通道，...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值