MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（三）

版权声明：本文为博主原创文章，欢迎转载，并请注明出处。联系方式：460356155@qq.com

在前两篇文章MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（一）、MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（二）中，采用全连接神经网络（784-300-10），分别用非深度学习框架和基于pytorch实现，训练结果相当。

这里采用卷积神经网络（CNN）中著名的LeNet-5网络来训练，除了网络定义部分外，其他代码基本和MINIST深度学习识别：python全连接神经网络和pytorch LeNet CNN网络训练实现及比较（二）相同。

网络定义代码：

 #定义网络模型
 class LeNet(nn.Module):
     def __init__(self):
         super(LeNet, self).__init__()

         self.cnn = nn.Sequential(
             #卷积层1，单通道输入，6个卷积核，核大小5*5
             #经过该层图像大小变为28-5+1，24*24
             #经2*2最大池化，图像变为12*12
             nn.Conv2d(1, 6, 5),
             nn.ReLU(),
             nn.MaxPool2d(2),

             #卷积层2，6通道，16个卷积核，核大小5*5
             #经过该层图像变为12-5+1，8*8
             # 经2*2最大池化，图像变为4*4
             nn.Conv2d(6, 16, 5),
             nn.ReLU(),
             nn.MaxPool2d(2)
         )

         self.fc = nn.Sequential(
             # 16个feature，每个feature4*4
             nn.Linear(16 * 4 * 4, 120),
             nn.ReLU(),
             nn.Linear(120, 84),
             nn.ReLU(),
             nn.Linear(84, 10)
         )

     def forward(self, x):
         x = self.cnn(x)
         x = x.view(x.size()[0], -1)
         x = self.fc(x)
         return x

网络训练结果准确率约在99%，LeNet-5比前面的全连接神经网络高1.x%。运行结果如下：

train data num: 60000 , test data num: 10000
epoch:0 i:999 loss:0.11399480700492859
epoch:0 i:1999 loss:0.1237913966178894
epoch:0 i:2999 loss:0.12948277592658997
EPOCH:0, ACC:97.5

epoch:1 i:999 loss:0.006639003753662109
epoch:1 i:1999 loss:0.0011253952980041504
epoch:1 i:2999 loss:0.03325369954109192
EPOCH:1, ACC:98.35

epoch:2 i:999 loss:0.0021111369132995605
epoch:2 i:1999 loss:0.2714851200580597
epoch:2 i:2999 loss:0.0016380250453948975
EPOCH:2, ACC:98.64

epoch:3 i:999 loss:0.00033468008041381836
epoch:3 i:1999 loss:0.05128034949302673
epoch:3 i:2999 loss:0.1222798228263855
EPOCH:3, ACC:98.65

epoch:4 i:999 loss:0.0006810426712036133
epoch:4 i:1999 loss:0.002728283405303955
epoch:4 i:2999 loss:0.000545889139175415
EPOCH:4, ACC:98.89

epoch:5 i:999 loss:0.006086885929107666
epoch:5 i:1999 loss:0.07402010262012482
epoch:5 i:2999 loss:0.03638958930969238
EPOCH:5, ACC:98.93

epoch:6 i:999 loss:0.0002015829086303711
epoch:6 i:1999 loss:0.0004933476448059082
epoch:6 i:2999 loss:0.03196592628955841
EPOCH:6, ACC:99.02

epoch:7 i:999 loss:0.01734447479248047
epoch:7 i:1999 loss:2.9087066650390625e-05
epoch:7 i:2999 loss:0.018512487411499023
EPOCH:7, ACC:98.73

epoch:8 i:999 loss:4.70280647277832e-05
epoch:8 i:1999 loss:0.008362054824829102
epoch:8 i:2999 loss:2.9206275939941406e-06
EPOCH:8, ACC:98.84

epoch:9 i:999 loss:0.00012737512588500977
epoch:9 i:1999 loss:0.00020432472229003906
epoch:9 i:2999 loss:0.00022774934768676758
EPOCH:9, ACC:99.1

MINIST pytorch LeNet-5 Train: EPOCH:10, BATCH_SZ:16, LR:0.05
train spend time:  0:01:05.897404

损失函数值变化曲线为：