使用PyTh实现LeNet网络。   使用已下载好的本地Fashion MNIST 对LeNet进行训练和测试。优化算法采用SGD或Adam。    torch.optim.SGD 或 torch.optim.Adam。可复用多层感知器的相关代码   分别绘制训练和测试的损失函数曲线和分类正确率曲线   调节BatchSize、学习率,并依据测试损失曲线的拐点确定最佳模型,保存该模型。   使用测试集测试所保存模型的性能,以混淆矩阵展示。   扩展任务:以旋转的方式扩充测试集,在前述最佳模型上测试扩充

时间: 2023-06-15 22:05:09 浏览: 67
以下是实现LeNet网络的代码,使用了PyTorch框架和Fashion MNIST数据集进行训练和测试。其中优化算法采用了Adam。 ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.datasets as datasets import torchvision.transforms as transforms from torch.utils.data import DataLoader # 定义LeNet网络 class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__() self.conv1 = nn.Conv2d(1, 6, kernel_size=5) self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) self.conv2 = nn.Conv2d(6, 16, kernel_size=5) self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2) 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 = self.pool1(torch.relu(self.conv1(x))) x = self.pool2(torch.relu(self.conv2(x))) x = x.view(-1, 16*4*4) x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x # 定义训练函数 def train(model, train_loader, optimizer, criterion): model.train() train_loss = 0 correct = 0 total = 0 for inputs, targets in train_loader: optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() train_loss += loss.item() _, predicted = outputs.max(1) total += targets.size(0) correct += predicted.eq(targets).sum().item() return train_loss / len(train_loader), correct / total # 定义测试函数 def test(model, test_loader, criterion): model.eval() test_loss = 0 correct = 0 total = 0 with torch.no_grad(): for inputs, targets in test_loader: outputs = model(inputs) loss = criterion(outputs, targets) test_loss += loss.item() _, predicted = outputs.max(1) total += targets.size(0) correct += predicted.eq(targets).sum().item() return test_loss / len(test_loader), correct / total # 数据集处理 train_transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) test_transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_set = datasets.FashionMNIST(root='./data', train=True, download=True, transform=train_transform) test_set = datasets.FashionMNIST(root='./data', train=False, download=True, transform=test_transform) # 参数设置 batch_size = 64 lr = 0.001 num_epochs = 30 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 数据加载 train_loader = DataLoader(train_set, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_set, batch_size=batch_size, shuffle=False) # 模型、损失函数、优化器定义 model = LeNet().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=lr) # 训练和测试 train_losses = [] train_accs = [] test_losses = [] test_accs = [] best_test_loss = float('inf') for epoch in range(num_epochs): train_loss, train_acc = train(model, train_loader, optimizer, criterion) test_loss, test_acc = test(model, test_loader, criterion) train_losses.append(train_loss) train_accs.append(train_acc) test_losses.append(test_loss) test_accs.append(test_acc) print('Epoch [{}/{}] - Train Loss: {:.4f}, Train Acc: {:.4f}, Test Loss: {:.4f}, Test Acc: {:.4f}'.format( epoch+1, num_epochs, train_loss, train_acc, test_loss, test_acc)) if test_loss < best_test_loss: best_test_loss = test_loss torch.save(model.state_dict(), 'best_model.pth') # 扩展任务:旋转测试集 test_set_rotate = datasets.FashionMNIST(root='./data', train=False, download=True, transform=transforms.Compose([ transforms.RandomRotation(90), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ])) test_loader_rotate = DataLoader(test_set_rotate, batch_size=batch_size, shuffle=False) # 加载最佳模型 model.load_state_dict(torch.load('best_model.pth')) # 在旋转的测试集上测试模型性能 confusion_matrix = torch.zeros(10, 10) with torch.no_grad(): for inputs, targets in test_loader_rotate: inputs, targets = inputs.to(device), targets.to(device) outputs = model(inputs) _, predicted = outputs.max(1) for i in range(targets.size(0)): confusion_matrix[targets[i]][predicted[i]] += 1 print('Confusion Matrix:') print(confusion_matrix) ``` 可以通过调节BatchSize、学习率等参数,得到不同的训练和测试结果。在训练过程中,我们记录了训练和测试的损失函数曲线和分类正确率曲线,来观察模型的训练和测试过程。 ```python import matplotlib.pyplot as plt plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.plot(train_losses, label='train') plt.plot(test_losses, label='test') plt.xlabel('Epoch') plt.ylabel('Loss') plt.legend() plt.subplot(1, 2, 2) plt.plot(train_accs, label='train') plt.plot(test_accs, label='test') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.legend() plt.show() ``` 最后,我们保存了在测试集上表现最好的模型,并在扩展任务中使用旋转的测试集来测试该模型的性能,得到了混淆矩阵。

相关推荐

最新推荐

recommend-type

python实现鸢尾花三种聚类算法(K-means,AGNES,DBScan)

主要介绍了python实现鸢尾花三种聚类算法(K-means,AGNES,DBScan),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
recommend-type

python使用jieba实现中文分词去停用词方法示例

jieba分词,完全开源,有集成的python库,简单易用。下面这篇文章主要给大家介绍了关于python使用jieba实现中文分词去停用词的相关资料,文中通过示例代码介绍的非常详细,需要的朋友可以参考借鉴,下面来一起看看吧。
recommend-type

python学生信息管理系统实现代码

主要介绍了python学生信息管理系统的实现代码,代码简单,复制即可使用,需要的朋友可以参考下
recommend-type

实用自动化运维Python脚本分享

今天小编就为大家分享一篇实用自动化运维Python脚本。具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

python输入一个水仙花数(三位数) 输出百位十位个位实例

主要介绍了python输入一个水仙花数(三位数) 输出百位十位个位实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战演练】MATLAB用遗传算法改进粒子群GA-PSO算法

![MATLAB智能算法合集](https://static.fuxi.netease.com/fuxi-official/web/20221101/83f465753fd49c41536a5640367d4340.jpg) # 2.1 遗传算法的原理和实现 遗传算法(GA)是一种受生物进化过程启发的优化算法。它通过模拟自然选择和遗传机制来搜索最优解。 **2.1.1 遗传算法的编码和解码** 编码是将问题空间中的解表示为二进制字符串或其他数据结构的过程。解码是将编码的解转换为问题空间中的实际解的过程。常见的编码方法包括二进制编码、实数编码和树形编码。 **2.1.2 遗传算法的交叉和
recommend-type

openstack的20种接口有哪些

以下是OpenStack的20种API接口: 1. Identity (Keystone) API 2. Compute (Nova) API 3. Networking (Neutron) API 4. Block Storage (Cinder) API 5. Object Storage (Swift) API 6. Image (Glance) API 7. Telemetry (Ceilometer) API 8. Orchestration (Heat) API 9. Database (Trove) API 10. Bare Metal (Ironic) API 11. DNS
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。