一、实验要求
用 python 的 Pytorch模块实现卷积神经网络。网络结构为一个输入层、两个卷积层、一个全连接层、一个输出层。
二、实验目的
- 实现一个包含卷积层、池化层和全连接层的卷积神经网
- 了解如何在训练数据集上使用反向传播算法和Adam优化算法训练神经网络。
- 加深对卷积神经网络的了解
三、实验过程
1.搭建卷积神经网络
1）导入库
导入了PyTorch和相关库，包括神经网络模块 (nn) 和用于图像处理的torchvision模块，以及用于显示进度条的tqdm库
2）定义超参数和设备
定义了批量大小、训练周期数、学习率和保留概率，并检查是否有可用的CUDA设备。
3）数据预处理和加载
定义了数据预处理的转换（将图像转为张量并进行标准化），并加载了MNIST数据集，并创建了训练和测试数据加载器
4）定义卷积神经网络模型
使用nn.Sequential定义了一个简单的卷积神经网络模型。模型包含两个卷积层、池化层、全连接层以及一些激活函数和dropout层。
5）定义损失函数和优化器
使用交叉熵损失和Adam优化器
6）训练和测试循环
2.对模型进行优化、改进
1）运行程序，发现只有每轮训练的测试集结果输出，并没有整个训练测试集结果输出
增加相关代码，输出整体Loss和Acc
2）调整网络模型
去掉一层卷积和一层池化
增加一层卷积和一层池化
调整卷积核大小为3*3
3）调整学习率
调整学习率为1e-5
调整学习率为1e-3
4）调整epochs
调整epochs为15
调整epochs为20
四、实验结果
|
| Train Loss | Train Accuracy |
| 原始 | 1.4719 | 0.9906 |
| 一层卷积层一层池化 | 1.4765 | 0.9869 |
| 三层卷积层三层池化 | 1.4736 | 0.9888 |
| 卷积核为3*3 | 1.4765 | 0.9869 |
| 调整学习率为1e-5 | 1.5152 | 0.9543 |
| 调整学习率为1e-3 | 1.4797 | 0.9814 |
| 调整epochs为15 | 1.4685 | 0.9935 |
| 调整epochs为20 | 1.4665 | 0.9953 |
经过多次调参，优化模型，发现两层卷积层，两层池化层，卷积核大小为2*2，学习率为1e-4，epochs为20时，得出的准确率最高。
五、实验总结
在这个实验中，我使用了PyTorch搭建了一个简单的卷积神经网络（CNN）来进行手写数字（MNIST数据集）的分类任务。首先定义了网络模型，包含了卷积层、池化层和全连接层，通过使用ReLU激活函数和Dropout来增强模型的性能，并且使用了交叉熵损失函数和Adam优化器进行模型的训练，在每个epoch中使用训练集和测试集进行了模型的训练和评估。同时通过修改模型结构。卷积核的大小，学习率等操作进行优化模型，最终发现增大epoch可以使准确率增大，最终可达0.9953.
实验中也遇到了一些问题，比如在测试集输出中没有总的Loss和Accuracy，通过对代码的调整，成功地添加了这些信息，提高了实验的完整性，更好对比实验结果。并且，刚开始更改模型结构遇到很多困难，有时候因为一个小细节没有注意到，导致修改出错。
