卷积神经网络的代码实现 lenetas设备

编码的实现环境是Python3.8.3、torch1.5、Anaconda3(64-bit)、PyCharm2020.1。是《动手学深度学习》（PyTorch版）的练习及作业，个别代码有修改，仅供交流学习之用。

# 5.5 卷积神经网络（LeNet），即含卷积层的网络。

# （1）LeNet模型# LeNet分为卷积层块和全连接层块两个部分。
# 卷积层块里的基本单位是卷积层后接最大池化层：卷积层用来识别图像里的空间模式，如线条和物体局部；最大池化层则用来降低卷积层对位置的敏感性。# 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用5×5的窗口，并在输出上使用sigmoid激活函数。# 第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。# 卷积层块的两个最大池化层的窗口形状均为2×2，且步幅为2。由于池化窗口与步幅形状相同，池化窗口在输入上每次滑动所覆盖的区域互不重叠。# 卷积层块的输出形状为(批量大小, 通道, 高, 宽)。# 当卷积层块的输出传入全连接层块时，全连接层块会将小批量中每个样本变平（flatten）。也就是说，全连接层的输入形状将变成二维，# 其中第一维是小批量中的样本，第二维是每个样本变平后的向量表示，且向量长度为通道、高和宽的乘积。# 全连接层块含3个全连接层。它们的输出个数分别是120、84和10，其中10为输出的类别个数。
import time
import torch
from torch import nn, optim
import sys
sys.path.append("..")
import d2lzh as d2l
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 通过Sequential类来实现LeNet模型。class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
         在卷积层块中输入的高和宽在逐层减小。卷积层由于使用高和宽均为5的卷积核，从而将高和宽分别减小4;        # 而池化层则将高和宽减半，但通道数则从1增加到16。        
        self.conv = nn.Sequential(
		            nn.Conv2d(1, 6, 5), # in_channels, out_channels, kernel_size            
		            nn.Sigmoid(),            
    		        nn.MaxPool2d(2, 2), # kernel_size, stride            
        		    nn.Conv2d(6, 16, 5),            
            		nn.Sigmoid(),            
            		nn.MaxPool2d(2, 2)
        		)
        		# 全连接层则逐层减少输出个数，直到变成图像的类别数10。        
            self.fc = nn.Sequential(
            nn.Linear(16*4*4, 120),            nn.Sigmoid(),            nn.Linear(120, 84),            nn.Sigmoid(),            nn.Linear(84, 10)
        )
    def forward(self, img):
        feature = self.conv(img)
        output = self.fc(feature.view(img.shape[0], -1))
        return output

net = LeNet()
print(net)


# （2）获取数据和训练模型# 下面我们来实验LeNet模型。实验中，使用Fashion-MNIST作为训练数据集。batch_size = 256train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)

lr, num_epochs = 0.001, 5optimizer = torch.optim.Adam(net.parameters(), lr=lr)
d2l.train_ch5(net, train_iter, test_iter, batch_size, optimizer, device, num_epochs)