神经网络听上去高大上?带你从零开始训练一个网络(基于MNIST)
目录
- 1 什么是神经网络?
- 2 卷积神经网络
- 3 实验流程
- 3.1 搭建神经网络
- 3.2 加载数据集
- 3.3 训练模型
- 4 算法分析
1 什么是神经网络?
我们知道人工智能发展过程中有三个主要流派:
- 符号主义学派
- 连接主义学派
- 行为主义学派
其中连接主义学派认为:人脑中万亿个神经元细胞间错综复杂的互相连接,是智能产生的来源。连接主义的核心是仿生学和神经科学,关注的是神经网络间的连接机制和学习算法,致力于通过计算机表示大量神经元,以模拟大脑的智力。这就是神经网络的起源,其正式定义如下:
人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络或称作连接模型,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
如下图所示是一个用于图形图像处理的卷积神经网络框架,今天就从零开始训练处下面这种网络。
2 卷积神经网络
卷积神经网络(Convolutional Neural Network, CNN)在全连接神经网络的基础上增加了特征提取层,主要用于计算机视觉领域,处理模式识别、图像分类、目标检测等问题。
CNN相比FCNN更适于处理视觉任务的原因在于,其实现了高维信息的聚合与压缩。
举例而言,以一张二维图片的像素为输入,则FCNN的输入层神经元个数将非常庞大,再考虑每个神经元都相邻层所有神经元相连,因此作为优化目标的连接权矩阵指数增长,带来无法接受的学习时间复杂度。而CNN通过对图片信息的特征筛选,滤除图片掺杂的大量冗余信息,再通过简单的全连接网络映射到输出空间去,将大幅降低复杂度。
3 实验流程
本问针对经典的MNIST
手写数字分类实验,基于Pytorch框架自主设计神经网络,测试网络性能,并进行一定的可视化分析。实验的流程如下:
- 搭建卷积神经网络;
- 加载数据集。下载MNIST手写数字数据集,划分训练集、验证集和测试集,并封装为可迭代的数据加载器对象;
- 训练模型。定义损失函数和优化方法,通过前向传播计算损失,再基于反向传播优化模型参数,迭代至训练误差收敛后保存模型到本地;
3.1 搭建神经网络
如下所示,搭建卷积神经网络。其中
Conv2d
:卷积层MaxPool2d
:池化层ReLu
:激活函数
这些神经网络组件的具体原理与作用另开文章分析,本章关注于应用实践。
class CNN(nn.Module):'''* @breif: 卷积神经网络''' def __init__(self):super().__init__()self.convPoolLayer_1 = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=10, kernel_size=5),nn.MaxPool2d(kernel_size=2),nn.ReLU())self.convPoolLayer_2 = nn.Sequential(nn.Conv2d(in_channels=10, out_channels=20, kernel_size=5),nn.MaxPool2d(kernel_size=2),nn.ReLU())self.fcLayer = nn.Linear(320, 10)def forward(self, x):batchSize = x.size(0)x = self.convPoolLayer_1(x)x = self.convPoolLayer_2(x)x = x.reshape(batchSize, -1)x = self.fcLayer(x)return x
3.2 加载数据集
使用pytorch
提供的Dataset
类进行数据集加载和预览
from abc import abstractmethod
import numpy as np
from torchvision.datasets import mnist
from torch.utils.data import Dataset
from PIL import Imageclass mnistData(Dataset):'''* @breif: MNIST数据集抽象接口* @param[in]: dataPath -> 数据集存放路径* @param[in]: transforms -> 数据集变换''' def __init__(self, dataPath: str, transforms=None) -> None:super().__init__()self.dataPath = dataPathself.transforms = transformsself.data, self.label = [], []def __len__(self) -> int:return len(self.label)def __getitem__(self, idx: int):img = self.data[idx]if self.transforms:img = self.transforms(img)return img, self.label[idx]def loadData(self, train: bool) -> list:'''* @breif: 下载与加载数据集* @param[in]: train -> 是否为训练集* @retval: 数据与标签列表''' # 如果指定目录下不存在数据集则下载dataSet = mnist.MNIST(self.dataPath, train=train, download=True)# 初始化数据与标签data = [ i[0] for i in dataSet ]label = [ i[1] for i in dataSet ]return data, label
3.3 训练模型
考虑到该实践是多分类问题,因此最终网络的输出是十维向量并经过softmax
转化为概率分布,损失函数设计为交叉熵,优化方法选择随机梯度下降算法。
for images, labels in trainBar:images, labels = images.to(config.device), labels.to(config.device)# 梯度清零opt.zero_grad()# 正向传播outputs = model(images)# 计算损失loss = F.cross_entropy(outputs, labels)# 反向传播loss.backward()# 模型更新opt.step()
训练过程如下:
4 算法分析
经过测试,同样的学习率下,CNN在20代左右就已收敛,但FCNN在20代左右才开始收敛。测试集泛化误差表明CNN的预测准确率达到95%,但FCNN只有70%,因此在图像分类问题上,CNN的效率和准确率都远远高于FCNN。因此CNN的学习和泛化能力较强,只要用已知模式对CNN加以训练,网络就具有对输入输出之间的映射和表达能力。
完整源码请联系下方博主名片获取
神经网络听上去高大上?带你从零开始训练一个网络(基于MNIST)相关推荐
- 【微前端】手把手带你从零开始搭建一个qiankun+vue微前端应用
前言 小伙伴们大家好.上一篇文章中我们分享了qiankun的一些概念和特性,以及基于qiankun实现有一个微前端应用的大概步骤,最后以qiankun加vue2.0为例给出了快速搭建qiankun微前 ...
- [Pytorch系列-41]:卷积神经网络 - 模型参数的恢复/加载 - 搭建LeNet-5网络与MNIST数据集手写数字识别
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
- 带你从零开始设计一个简单CPU
文章目录 前言 一 CPU的基本组成 二 CPU的基石 三 ALU(运算器) 1.二进制 (1)二进制在计算机中 (2)为什么是二进制 2.布尔代数 & 逻辑门 (1)什么是布尔代数 (2)基 ...
- 什么是Dapp?带你从零开始搭建一个Dapp
什么是Dapp?零基础带你搭建一个Dapp 前言:Dapp就是去中心化应用,它和我们平时使用的App(微信,支付宝等)只差了一个去中心化,如何理解这一去中心化?从体验层面来说:Dapp中并没有管理者, ...
- AI学习笔记(九)从零开始训练神经网络、深度学习开源框架
AI学习笔记之从零开始训练神经网络.深度学习开源框架 从零开始训练神经网络 构建网络的基本框架 启动训练网络并测试数据 深度学习开源框架 深度学习框架 组件--张量 组件--基于张量的各种操作 组件- ...
- 迁移学习实战 | 快速训练残差网络 ResNet-101,完成图像分类与预测,精度高达 98%!...
作者 | AI 菌 出品 | CSDN博客 头图 | CSDN付费下载自视觉中国 前言 笔者在实现ResNet的过程中,由于电脑性能原因,不得不选择层数较少的ResNet-18进行训练.但是很快发现, ...
- Java 从零开始实现一个画图板、以及图像处理功能,代码可复现
Java 从零开始实现一个画图板.以及图像处理功能,代码可复现 这是一个学习分享博客,带你从零开始实现一个画图板.图像处理的小项目,为了降低阅读难度,本博客将画图板的一步步迭代优化过程展示给读者,篇幅 ...
- pytorch训练GAN的代码(基于MNIST数据集)
论文:Generative Adversarial Networks 作者:Ian J. Goodfellow 年份:2014年 从2020年3月多开始看网络,这是我第一篇看并且可以跑通代码的论文,简 ...
- 【深度学习的数学】“2×4×1层带sigmoid激活函数的神经网络感知机对三角形平面的分类训练预测”,输出层加偏置b(实时绘制损失函数曲线)(对输入数据归一化)(奇迹出现了!)
文章目录 前言 代码 修改之前错误的代码 知道为何Z的结果不能拟合到预期的5了 解决办法1:取消输出层神经单元的a和b(直接将z作为输出)(这个办法不行,影响神经单元的完整性,没法计算出输出层神经单元 ...
最新文章
- 轻松删除所有安装的gem
- Lesson 8.18.2 单层回归神经网络torch.nn.Linear实现单层回归神经网络的正向传播
- Convolutional Neural Networks卷积神经网络
- centos 安装jdk_CentOS 7 安装 Oracle JDK 8
- vue脚手架中使用axios
- 树莓派3B上部署运行.net core 2程序
- 【iOS系列】-iOS中内存管理
- “明年AI会如何?”英伟达问了13位不同行业的专家
- 如何动态确认每个输入的值都符合设定域
- 云计算时代,观测产品Sunfire的成长史
- Linux内核源码如何学习?
- 吾身听物化,化及事则休
- 九层之台,始于垒土;合抱之木,始于毫末;千里之行,始于足下!
- Teams Bot App 初探
- 《基于短时分数阶傅里叶变换的时频分析方法》
- C语言学生信息管理系统第二版(附带密码登录模式)
- 刷脸支付连锁化经营的商业形态完美融合
- 一篇文章带你弄懂乐观锁与悲观锁,CAS原子性,synchronized底层原理
- java如何创建一个文本框_创建一个有文本框和三个按钮的程序。当按下某个按钮时,使不同的文字(Java..._考试资料网...
- 如何实现html做一个粒子漩涡