learning_rate 0.001
train_loader t.utils.data.DataLoader(datasets.MNIST(root /home/dongguangjian/dong/MNIST_data ,train True,download False,
transform transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean (0.5,),std (0.5,))])),batch_size BATCH_SIZE,shuffle True)
test_loader t.utils.data.DataLoader(
datasets.MNIST(root /home/dongguangjian/dong/data/ , train False, transform transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))
])),batch_size BATCH_SIZE, shuffle True)
# 设计模型
class ConvNet(nn.Module):
def __init__(self):
super(ConvNet, self).__init__()
# 提取特征层
self.features nn.Sequential(
# 卷积层
# 输入图像通道为 1 因为我们使用的是黑白图 单通道的
# 输出通道为32 代表使用32个卷积核 一个卷积核产生一个单通道的特征图
# 卷积核kernel_size的尺寸为 3 * 3 stride 代表每次卷积核的移动像素个数为1
# padding 填充 为1代表在图像长宽都多了两个像素
nn.Conv2d(in_channels 1, out_channels 32, kernel_size 3, stride 1, padding 1),
# ((28-3 2*1)/1) 1 28 28*28*1 》 28*28*32
# 批量归一化 跟上一层的out_channels大小相等 以下的通道规律也是必须要对应好的
nn.BatchNorm2d(num_features 32), # 28*28*32 》 28*28*32
# 激活函数 inplace true代表直接进行运算
nn.ReLU(inplace True),
nn.Conv2d(32, 32, kernel_size 3, stride 1, padding 1), # ((28-3 2*1)/1) 1 28 28*28*32 》 28*28*32
nn.BatchNorm2d(32),
nn.ReLU(inplace True),
# 最大池化层
# kernel_size 为2 * 2的滑动窗口
# stride为2 表示每次滑动距离为2个像素
# 经过这一步 图像的大小变为1/4 即 28 * 28 -》 7 * 7
nn.MaxPool2d(kernel_size 2, stride 2),
nn.Conv2d(32, 64, kernel_size 3, padding 1),
nn.BatchNorm2d(64),
nn.ReLU(inplace True),
nn.Conv2d(64, 64, kernel_size 3, padding 1),
nn.BatchNorm2d(64),
nn.ReLU(inplace True),
nn.MaxPool2d(kernel_size 2, stride 2)
# 分类层
self.classifier nn.Sequential(
# Dropout层
# p 0.5 代表该层的每个权重有0.5的可能性为0
nn.Dropout(p 0.5),
# 这里是通道数64 * 图像大小7 * 7 然后输入到512个神经元中
nn.Linear(64 * 7 * 7, 512),
nn.BatchNorm1d(512),
nn.ReLU(inplace True),
nn.Dropout(p 0.5),
nn.Linear(512, 512),
nn.BatchNorm1d(512),
nn.ReLU(inplace True),
nn.Dropout(p 0.5),
nn.Linear(512, 10),
# 前向传递函数
def forward(self, x):
# 经过特征提取层
x self.features(x)
# 输出结果必须展平成一维向量
x x.view(x.size(0), -1)
x self.classifier(x)
return x
