动手学深度学习之卷积神经网络LeNet

最新推荐文章于 2023-11-23 23:51:09 发布

纷繁中淡定

最新推荐文章于 2023-11-23 23:51:09 发布

阅读量1.1k

点赞数 4

分类专栏：深度学习（pytorch）

本文链接：https://blog.youkuaiyun.com/qq_36170626/article/details/117397160

版权

本文介绍了卷积神经网络LeNet的原理和结构，包括卷积层与全连接层的区别，LeNet的网络构成，以及基于pytorch的代码实现。实验表明，卷积神经网络通过卷积、激活和池化层的组合，有效降低了模型复杂度，提高了手写数字识别的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

动手学深度学习之卷积神经网络LeNet

参考视频

1. 卷积层与全连接层对比

卷积层VS全连接层：模型更简洁；参数更少；计算成本高（每个参数都参与更多的乘法）

2. LeNet网络简述

LeNet定义:最早发布的卷积神经网络，目标是识别图像中的手写数字，在当时识别精度与支持向量机(SVM)相当，广泛应用于自动取款机中。

组成部分：

卷积编码器：两个卷积层
全连接层密集块：三个全连接层

卷积块的基本单元：卷积层；激活函数；池化层

3. 代码实现（基于pytorch）

import torch
from torch import nn
from d2l import torch as d2l

class Reshape(torch.nn.Module):
    def forward(self, x):
        # print('test',x.view(-1,1,28,28))
        return x.view(-1, 1, 28, 28) # 参数中的-1通过其它位置的数据来推断
# 卷积层： 通道数目增加
# 池化层： 限制高宽
net = torch.nn.Sequential(Reshape(), nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2), nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(), # nn.Conv2d(6, 16, kernel_size=5)
nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(), nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
nn.Linear(120, 84), nn.Sigmoid(), nn.Linear(84, 10))

# 调整参数1： 将平均池化层改为最大池化层
# net = torch.nn.Sequential(Resh