使用Python编写LeNet()神经网络模型进行人脸识别

下面是使用Python编写LeNet()神经网络模型进行人脸识别的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.datasets as datasets
import torchvision.transforms as transforms
from torch.autograd import Variable

# 定义LeNet神经网络模型
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)
    
    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, kernel_size=2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, kernel_size=2)
        x = x.view(x.size(0), -1)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 加载数据集
train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor())

# 定义数据加载器
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)

# 创建LeNet模型的实例
model = LeNet()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(10):
    for i, (images, labels) in enumerate(train_loader):
        images = Variable(images)
        labels = Variable(labels)
        
        # 计算前向传播结果
        outputs = model(images)
        
        # 计算损失
        loss = criterion(outputs, labels)
        
        # 清零参数梯度
        optimizer.zero_grad()
        
        # 反向传播和优化
        loss.backward()
        optimizer.step()
        
        if (i+1) % 100 == 0:
            print('Epoch [%d/%d], Step [%d/%d], Loss: %.4f' % (epoch+1, 10, i+1, len(train_dataset)//64, loss.data))
    
    # 模型测试
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = Variable(images)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum()
    
    print('Test accuracy: %.2f %%' % (100 * correct / total))

上述代码使用PyTorch库编写了一个LeNet神经网络模型，并使用MNIST数据集进行人脸识别。LeNet模型由两个卷积层和三个全连接层组成。训练过程使用了梯度下降的优化算法，并计算每个epoch的损失值和测试集的准确率。

你可以通过运行上述代码来训练LeNet模型并测试其在MNIST数据集上的准确率。在训练过程中，损失值会输出，并在每个epoch结束时显示测试集的准确率。根据你的计算机性能和训练参数，整个训练过程可能需要几分钟到几十分钟不等。

请注意，上述示例代码中仅使用了MNIST数据集作为演示，如果你想在自己的人脸识别任务中使用LeNet模型，你需要准备合适的人脸识别数据集，并进行相应的预处理和调整代码。