模型：LeNet5

• • 網絡結構
  • • 符號說明
    • 網絡參數
  • 代碼實現
  • • 1) 導入必需的包
    • 2) 搭建網絡模型
    • 3) 導入使用的數據集
    • 4) 訓練模型
    • 5) 保存模型
    • 6) 測試模型效果
  • 所遇錯誤
  • • '_IncompatibleKeys' object is not callable
  • Ref

本著簡單易理解的原則，所有代碼均為采取最簡單的辦法進行編寫實現，還望各位莫嫌臃腫，大牛們莫怪低端。

“世界上最好的捷徑，就是沒有捷徑”

網絡結構

符號說明

• C 代表卷積層
• S 代表降采樣層（池化層）
• F 代表全連接層

網絡參數

• Input —> C1：number of kernels(卷積核數量)= 6，kernel_size(卷積核大小) = 5x5，stride(步長)=1
• C1 —> S2：

代碼實現

1) 導入必需的包

# 1) 導入必需的包 import torch import torch.nn as nn import torch.nn.functional as F import torchvision import torchvision.transforms as transforms import torch.optim as optim

2) 搭建網絡模型

# 2) 搭建網絡模型 class LeNet5(nn.Module):def __init__(self):super(LeNet5, self).__init__()self.c1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, stride=1, padding=2)self.s2 = nn.MaxPool2d(kernel_size=2, stride=2)self.c3 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5, stride=1)self.s4 = nn.MaxPool2d(kernel_size=2, stride=2)# 遇到了卷積層變為全連接層self.c5 = nn.Linear(16*5*5, 120)self.f6 = nn.Linear(120, 84)self.f7 = nn.Linear(84, 10)def forward(self, x):x = self.c1(x)# x = F.relu(x)x = self.s2(x)x = self.c3(x)# x = F.relu(x)x = self.s4(x)# 剛才的卷積層變為全連接層，使用下邊代碼實現x = x.view(-1, 16*5*5)x = self.c5(x)# x = F.relu(x)x = self.f6(x)# x = F.relu(x)x = self.f7(x)# x = F.sigmoid(x)return x

3) 導入使用的數據集

本次測試使用的是 MNIST 數據集，關于此數據集的詳細介紹，請參考此篇文章：fly吧。

如果想要直接復制代碼即可使用，就需要確保工程文件中含有 data 文件夾，并且 MNIST 數據集已經下載完成。否則，需要進行下載。

# 3) 導入使用的數據集、網絡結構、優化器、損失函數等 LeNet5 = LeNet5() device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') LeNet5 = LeNet5.to(device=device)optimizer = optim.Adam(LeNet5.parameters(), lr=0.001) criterion = nn.CrossEntropyLoss() batch_size = 128 num_epoch = 2transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(0.5, 0.5)] ) # 如果沒有下載 MNIST 數據集，那么需要設置 download 參數為 True # 如果已經下載 MNIST 數據集，那么只需設置 download 參數為 False trainset = torchvision.datasets.MNIST(root='./data', train=True, transform=transform, download=False) trainloader = torch.utils.data.DataLoader(dataset=trainset, batch_size=batch_size, shuffle=True, num_workers=2) testset = torchvision.datasets.MNIST(root='./data', train=False, transform=transform, download=False) testloader = torch.utils.data.DataLoader(dataset=testset, batch_size=batch_size, shuffle=True, num_workers=2)

4) 訓練模型

# 4) 訓練模型 for epoch in range(num_epoch):LeNet5.train(0)train_loss = 0.0for idx, (img, label) in enumerate(trainloader):# print('開始訓練第 {} 批數據'.format(idx+1))optimizer.zero_grad()img = img.to(device)label = label.to(device)output = LeNet5(img)loss = criterion(output, label)loss.backward()optimizer.step()train_loss += loss.item()print('完成第 {} 輪訓練，train_loss: {}'.format(epoch+1, train_loss))

5) 保存模型

關于保存模型方法和加載模型請參考此篇教程：fly吧

# 5) 保存模型結構參數 torch.save(LeNet5.state_dict(), 'LeNet5_state_dict.pth')

6) 測試模型效果

使用模型測試時，記得將第 4 步模型訓練和第 5 步模型保存的程序進行注釋掉，否則還會再次對模型進行一次訓練，浪費掉時間。

# 6) 加載模型并測試模型效果 LeNet5.load_state_dict(torch.load('LeNet5_state_dict.pth')) LeNet5.eval()correct_num = 0 data_num = 0 for idx, (img, label) in enumerate(testloader):img = img.to(device)label = label.to(device)output = LeNet5(img)idx, pred = output.max(1)for i in range(len(label)):if label[i] == pred[i]:correct_num += 1data_num += 1print('data_num: {} \t correct_num: {} \t Accuracy: {:.2f}%'.format(data_num, correct_num, correct_num*100/data_num))

所遇錯誤

‘_IncompatibleKeys’ object is not callable

解決辦法參考此篇文章：fly吧

Ref

第6章 視覺處理基礎

---

2021-11-06 更新

重新復制模型程序到文件中，發現出現了一些 bug，于是重新調整了結構加了一句 main 能跑下來。

# 1) 導入必需的包 import torch import torch.nn as nn import torch.nn.functional as F from torch.utils import data import torchvision import torchvision.transforms as transforms import torch.optim as optim# 2) 搭建網絡模型 class LeNet5(nn.Module):def __init__(self):super(LeNet5, self).__init__()self.c1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, stride=1, padding=2)self.s2 = nn.MaxPool2d(kernel_size=2, stride=2)self.c3 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5, stride=1)self.s4 = nn.MaxPool2d(kernel_size=2, stride=2)# 遇到了卷積層變為全連接層self.c5 = nn.Linear(16*5*5, 120)self.f6 = nn.Linear(120, 84)self.f7 = nn.Linear(84, 10)def forward(self, x):x = self.c1(x)# x = F.relu(x)x = self.s2(x)x = self.c3(x)# x = F.relu(x)x = self.s4(x)# 剛才的卷積層變為全連接層，使用下邊代碼實現x = x.view(-1, 16*5*5)x = self.c5(x)# x = F.relu(x)x = self.f6(x)# x = F.relu(x)x = self.f7(x)# x = F.sigmoid(x)return x# 3) 導入使用的數據集、網絡結構、優化器、損失函數等 LeNet5 = LeNet5() device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') LeNet5 = LeNet5.to(device=device)optimizer = optim.Adam(LeNet5.parameters(), lr=0.001) criterion = nn.CrossEntropyLoss() batch_size = 128 num_epoch = 3transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(0.5, 0.5)] ) # 如果沒有下載 MNIST 數據集，那么需要設置 download 參數為 True # 如果已經下載 MNIST 數據集，那么只需設置 download 參數為 False trainset = torchvision.datasets.MNIST(root='./data', train=True, transform=transform, download=False) trainloader = torch.utils.data.DataLoader(dataset=trainset, batch_size=batch_size, shuffle=True, num_workers=2) testset = torchvision.datasets.MNIST(root='./data', train=False, transform=transform, download=True) testloader = torch.utils.data.DataLoader(dataset=testset, batch_size=batch_size, shuffle=True, num_workers=2)if __name__ == '__main__':# 4) 訓練模型for epoch in range(num_epoch):LeNet5.train()train_loss = 0.0for idx, (img, label) in enumerate(trainloader):# print('開始訓練第 {} 批數據'.format(idx+1))optimizer.zero_grad()img = img.to(device)label = label.to(device)output = LeNet5(img)loss = criterion(output, label)loss.backward()optimizer.step()train_loss += loss.item()print('完成第 {} 輪訓練，train_loss: {}'.format(epoch+1, train_loss))# 5) 保存模型結構參數torch.save(LeNet5.state_dict(), 'LeNet5_state_dict.pth')# 6) 加載模型并測試模型效果LeNet5.load_state_dict(torch.load('LeNet5_state_dict.pth'))LeNet5.eval()correct_num = 0data_num = 0for idx, (img, label) in enumerate(testloader):img = img.to(device)label = label.to(device)output = LeNet5(img)idx, pred = output.max(1)for i in range(len(label)):if label[i] == pred[i]:correct_num += 1data_num += 1print('data_num: {} \t correct_num: {} \t Accuracy: {:.2f}%'.format(data_num, correct_num, correct_num*100/data_num))

總結

以上是生活随笔為你收集整理的PyTorch 实现经典模型1：LeNet5的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。