深度学习-CNN网络改进版LetNet5

作者：凡人多烦事01 | 2024-03-05 21:23:34

踩

深度学习中，经典网络引领一波又一波的技术革命，从LetNet到当前最火的GPT所用的Transformer，它们把AI技术不断推向高潮。

用pytorch构建CNN经典网络模型改进版LetNet5，还可以用数据进行训练模型，得到一个优化的模型。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

经典算法

经典算法-遗传算法的python实现

经典算法-模拟退火算法的python实现

经典算法-粒子群算法的python实现-CSDN博客

LeNet5概述

LeNet诞生后，于1998年改进版本LeNet5，在LeNet初期版本上迭代进化而来。卷积核大小为5x5。

网络结构

输入图像分辨率：32x32 单通道

结构：

7层（不含输入），包括3层卷积层，2层池化层，2层全连接层

（1）卷积层1：5x5 —>输出6个28×28大小的特征图；

（2）池化层1：平均池化层 2x2；

（3）卷积层2：5x5 —>输出16个10x10大小的特征图；

（4）池化层2：2x2

（5）卷积层3：5x5 —>输出120个1x1大小的特征图；

（6）全连接层1 ----> 输出84特征；

（7）全连接层2 ----> 输出

优势与不足

优势：采用CNN自动提取特征，具备卷积神经网络的雏形，网络层级由5层增加为7层，图像尺寸由28x28扩大32x32。

不足：使用了平均池化，一般而言，不如Max-Pooling提取特征具有分类辨识度。

Pytorch实现

以下便是使用Pytorch实现的经典网络结构LeNet5

class LeNet5(nn.Module):
    def __init__(self, num_classes, grayscale=False): 
        """
        num_classes: 分类的数量
        grayscale：是否为灰度图
        """
        super(LeNet5, self).__init__()

        self.grayscale = grayscale
        self.num_classes = num_classes

        if self.grayscale: # 可以适用单通道和三通道的图像
            in_channels = 1
        else:
            in_channels = 3

        # 卷积神经网络
        self.features = nn.Sequential(
            nn.Conv2d(in_channels, 6, kernel_size=5),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(6, 16, kernel_size=5),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)   # 原始的模型使用的是 平均池化
        )
        # 分类器
        self.classifier = nn.Sequential(
            nn.Linear(16*5*5, 120),  # 这里把第三个卷积当作是全连接层了
            nn.ReLU(),
            nn.Linear(120, 84), 
            nn.ReLU(),
            nn.Linear(84, num_classes)
        )

    def forward(self, x):
        x = self.features(x) # 输出 16*5*5 特征图
        x = torch.flatten(x, 1) # 展平 （1， 16*5*5）
        logits = self.classifier(x) # 输出 10
        probas = F.softmax(logits, dim=1)
        return logits, probas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40