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 14:05:09 浏览: 58
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

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

用matlab绘制高斯色噪声情况下的频率估计CRLB,其中w(n)是零均值高斯色噪声,w(n)=0.8*w(n-1)+e(n),e(n)服从零均值方差为se的高斯分布

以下是用matlab绘制高斯色噪声情况下频率估计CRLB的代码: ```matlab % 参数设置 N = 100; % 信号长度 se = 0.5; % 噪声方差 w = zeros(N,1); % 高斯色噪声 w(1) = randn(1)*sqrt(se); for n = 2:N w(n) = 0.8*w(n-1) + randn(1)*sqrt(se); end % 计算频率估计CRLB fs = 1; % 采样频率 df = 0.01; % 频率分辨率 f = 0:df:fs/2; % 频率范围 M = length(f); CRLB = zeros(M,1); for
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。