Python实现LeNet网络训练与测试

LeNet是由Yann LeCun教授提出的一个经典的卷积神经网络架构，具有较深远的影响。它在1998年被应用于手写数字识别任务上，并取得了优秀的分类准确率。以下是使用Python实现LeNet网络的训练与测试的例子。

首先，我们需要导入必要的库和模块：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

接下来，我们定义LeNet网络的架构。LeNet网络由卷积层、池化层和全连接层组成。在本例中，我们使用的是经典的LeNet-5架构，并添加了Dropout层以防止过拟合：

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
        self.dropout = nn.Dropout(0.5)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, 2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 16 * 4 * 4)
        x = nn.functional.relu(self.fc1(x))
        x = self.dropout(x)
        x = nn.functional.relu(self.fc2(x))
        x = self.dropout(x)
        x = self.fc3(x)
        return x

接下来，我们定义数据预处理的操作，包括将图像转换为Tensor、归一化并添加数据增强的操作，提高网络的泛化能力：

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

然后，我们加载MNIST数据集，作为训练集和测试集：

train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform)

接下来，我们定义训练和测试的代码。首先，我们定义训练函数，其中包括前向传播、计算损失、反向传播和更新参数的过程：

def train(model, device, train_loader, optimizer, criterion, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

接下来，我们定义测试函数，其中包括前向传播和计算测试准确率的过程：

def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += nn.functional.cross_entropy(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)

    print('
Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)
'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

最后，我们定义主函数，设置一些超参数，并开始训练和测试过程：

def main():
    batch_size = 64
    epochs = 10
    lr = 0.01
    momentum = 0.5
    seed = 1
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

    torch.manual_seed(seed)

    train_loader = torch.utils.data.DataLoader(
        train_dataset,
        batch_size=batch_size,
        shuffle=True,
        num_workers=1,
        pin_memory=True
    )

    test_loader = torch.utils.data.DataLoader(
        test_dataset,
        batch_size=batch_size,
        shuffle=False,
        num_workers=1,
        pin_memory=True
    )

    model = LeNet().to(device)

    criterion = nn.CrossEntropyLoss()
    optimizer = optim.SGD(model.parameters(), lr=lr, momentum=momentum)

    for epoch in range(1, epochs + 1):
        train(model, device, train_loader, optimizer, criterion, epoch)
        test(model, device, test_loader)


if __name__ == '__main__':
    main()

以上就是使用Python实现LeNet网络的训练与测试的例子。通过运行这个例子，我们可以对MNIST手写数字数据集进行分类，并得到分类准确率。这个例子可以让读者更好地理解LeNet网络的架构和相关的训练过程。同时，也可以通过修改超参数和网络结构，应用于其他分类任务上。