LeNet-5 模型是 Yann LeCun 教授于1998 年再论文Gradient“based learning applied to document recognition中提出的,它是第一个成功应用于数字识别问题的卷积神经网络。
第一层,卷积层
这一层的输入就是原始的图像像素,LeNet-5 模型接受的输入层大小为32*32*1
。第一个卷积层过滤器的尺寸为5*5
,深度为6,不使用全0填充,步长为1。因为没有使用全0填充,所以这一层的输出的尺寸为32-5+1=28
,深度为6。这一个卷积层总共有5*5*1*6+6=156
个参数,其中6个为偏置项参数。因为下一层的节点矩阵有28*28*6=4704
个节点,每个节点和5*5=25
个当前层节点相连,所以本层卷积层总共有4704*(25+1)=122304
个连接 。
第二层,池化层
这一层的输入为第一层的输出,是一个28*28*6
的节点矩阵。本层采用的过滤器大小为 2*2
,长和宽的步长均为2,所以本层的输出矩阵大小为14*14*6
。
第三层,卷积层
本层的输入矩阵大小为14*14*6
,使用的过滤器大小为5*5
,深度为16。本层不使用全0填充,步长为1。本层的输出矩阵大小为10*10*16
。按照标准的卷积层,本层应该有5*5*6*16+16=2416
个参数,10*10*16*(25+1)=41600
个连接。
C3的前6个特征图以S2中3个相邻的特征图子集为输入。接下来6个特征图以S2中4个相邻特征图子集为输入。然后的3个以不相邻的4个特征图子集为输入。最后一个将S2中所有特征图为输入。
第四层,池化层
本层的输入矩阵大小为10*10*16
,采用的过滤器大小为2*2
,步长为2。本层的输出矩阵大小为5*5*16
。
第五层,全连接层
本层的输入矩阵大小为5*5*16
,在 LeNet-5 模型的论文中将这一层称为卷积层,但是因为过滤器的大小就是 5×5
,所以和全连接层没有区别,在之后的 TensorFlow 程序实现中也会将这一层看成全连接层。本层的输出节点个数为120,总共有5*5*16*120+120=48120
个参数。
第六层,全连接层
本层的输入节点个数为120个,输出节点个数为84个,总共参数为120*84+84=10164
第七层,全连接层
本层的输入节点个数为84个,输出节点个数为10个,总共参数为84*10+10=850
个 。
MxNet的实现
import d2lzh as d2l
import mxnet as mx
from mxnet.gluon import nn, loss as gloss
from mxnet import autograd, gluon, init, nd
import time
net = nn.Sequential()
net.add(nn.Conv2D(channels=6, kernel_size=5, activation='sigmoid'),
nn.MaxPool2D(pool_size=2, strides=2),
nn.Conv2D(channels=16, kernel_size=5, activation='sigmoid'),
nn.MaxPool2D(pool_size=2, strides=2),
nn.Dense(120, activation='sigmoid'),
nn.Dense(84, activation='sigmoid'),
nn.Dense(10))
X = nd.random.uniform(shape=(1, 1, 28, 28))
net.initialize()
for layer in net:
X = layer(X)
print(layer.name, 'output shape:\t', X.shape)
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size, root='./data')
ctx = d2l.try_gpu()
def evaluate_accuracy(data_iter, net, ctx):
acc_sum, n = nd.array([0], ctx=ctx), 0
for X, y in data_iter:
X, y = X.as_in_context(ctx), y.as_in_context(ctx).astype('float32')
acc_sum += (net(X).argmax(axis=1) == y).sum()
n += y.size
return acc_sum.asscalar() / n
lr, num_epochs = 0.9, 500
net.initialize(force_reinit=True, ctx=ctx, init=init.Xavier())
trainer = gluon.Trainer(net.collect_params(),
'sgd',
{'learning_rate':lr})
def train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx, num_epochs):
print('training on', ctx)
loss = gloss.SoftmaxCrossEntropyLoss()
for epoch in range(num_epochs):
train_l_sum, train_acc_sum, n, start = 0.0, 0.0, 0, time.time()
for X, y in train_iter:
X, y = X.as_in_context(ctx), y.as_in_context(ctx)
with autograd.record():
y_hat = net(X)
l = loss(y_hat, y).sum()
l.backward()
trainer.step(batch_size)
y = y.astype('float32')
train_l_sum += l.asscalar()
train_acc_sum += (y_hat.argmax(axis=1) == y).sum().asscalar()
n += y.size
test_acc = d2l.evaluate_accuracy(test_iter, net, ctx)
print('epoch %d, loss %.4f, train acc %.3f, test acc %.3f,'
'time %.1f sec'
% (epoch + 1, train_l_sum / n, train_acc_sum / n, test_acc, time.time() - start))
d2l.train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx, num_epochs)