Pytorch 基于LeNet的手写数字识别

• 介绍
• 1.导入相关库
• 2.定义 LeNet-5 网络结构
• 3.下载并配置数据集和加载器
• 4.定义损失函数和优化器
• 5.定义训练函数并训练和保存模型
• 6.可视化展示
• 7.预测图
• 8.加载现有模型（可选）

介绍

使用到的库：

• Pytorch
• matplotlib

安装：

pip install matplotlib

Pytorch 环境配置请自行百度。

数据集：
使用 MNIST 数据集(Mixed National Institute of Standards and Technology database)。是美国国家标准与技术研究院收集整理的大型手写数字数据库，包含60,000个示例的训练集以及10,000个示例的测试集。

下载地址：
http://yann.lecun.com/exdb/mnist/
本文使用 Pytorch 自动下载。

LeNet 是由 Yann Lecun 提出的一种经典的卷积神经网络，是现代卷积神经网络的起源之一。本文使用的 LeNet 为 LeNet-5。结构图如下：

1.导入相关库

import torch
from torch import nn
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt

2.定义 LeNet-5 网络结构

# reshape输入为28*28的图像
class Reshape(nn.Module):def forward(self, x):return x.view(-1, 1, 28, 28)# 定义网络
net = nn.Sequential(Reshape(), nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Flatten(),nn.Linear(16*5*5, 120), nn.Sigmoid(),nn.Linear(120, 84), nn.Sigmoid(),nn.Linear(84, 10))

3.下载并配置数据集和加载器

# 下载并配置数据集
train_dataset = datasets.MNIST(root='./dataset', train=True,transform=transforms.ToTensor(), download=True)
test_dataset = datasets.MNIST(root='./dataset', train=False,transform=transforms.ToTensor(), download=True)# 配置数据加载器
batch_size = 64
train_loader = DataLoader(dataset=train_dataset,batch_size=batch_size, shuffle=True)
test_loader = DataLoader(dataset=test_dataset,batch_size=batch_size, shuffle=True)

4.定义损失函数和优化器

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters())

5.定义训练函数并训练和保存模型

def train(epochs):# 训练模型for epoch in range(epochs):for i, (images, labels) in enumerate(train_loader):outputs = net(images)loss = criterion(outputs, labels)optimizer.zero_grad()loss.backward()optimizer.step()if i % 50 == 0:print(f'Epoch: {epoch + 1}, Step: {i + 1}, Loss: {loss.item():.4f}')correct = 0total = 0for images, labels in test_loader:outputs = net(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f'Accuracy: {correct / total * 100:.2f}%')# 保存模型torch.save(net.state_dict(),f"./model/LeNet_Epoch{epochs}_Accuracy{correct / total * 100:.2f}%.pth") train(epochs=5)

6.可视化展示

def show_predict():# 预测结果图像可视化loader = DataLoader(dataset=test_dataset, batch_size=1, shuffle=True)plt.figure(figsize=(8, 8))for i in range(9):(images, labels) = next(iter(loader))outputs = net(images)_, predicted = torch.max(outputs.data, 1)title = f"Predicted: {predicted[0]}, True: {labels[0]}"plt.subplot(3, 3, i + 1)plt.imshow(images[0].squeeze(), cmap="gray")plt.title(title)plt.xticks([])plt.yticks([])plt.show()show_predict()

7.预测图

结果来自训练轮数epochs=10，准确率Accuracy=98.42%的模型：

包含错误预测的结果：

8.加载现有模型（可选）

本文的训练函数会保存每次训练的模型，下一次预测可以不调用训练函数，而是直接加载已经保存的模型来进行预测：

# 加载保存的模型
net.load_state_dict(torch.load("./model/LeNet_Epoch10_Accuracy98.42%.pth"))

请根据自己的情况修改路径。