。

方法模型设计两层卷积神经网络#xff08;包含池化层#xff09;#xff0c;一层全连接网络。

选择

1在卷积神经网络层的加持下初始时整个神经网络模型的性能是否会更好。

方法模型设计两层卷积神经网络包含池化层一层全连接网络。

选择

20此时图像再小两圈变成

4通道数不变最后将图像整型变换成向量输入到全连接层中输入一共有

320个元素输出为

transforms.Normalize((0.1307,),

trainTrue,

transformtransform)train_loader

shuffleTrue,

batch_sizebatch_size)test_dataset

trainFalse,

F.relu(self.pooling(self.conv1(x)))

F.relu(self.pooling(self.conv2(x)))

x.view(batch_size,

cpu)model.to(device)构造损失函数优化器criterion

torch.nn.CrossEntropyLoss()optimizer

lr0.01,

inputs,targetinputs.to(device),target.to(device)

outputs

inputs,targetinputs.to(device),target.to(device)

outputsmodel(inputs)

_,predictedtorch.max(outputs.data,dim1)

totaltarget.size(0)

correct(predictedtarget).sum().item()

print(Accuracy

%(100*correct/total,correct,total))if

__name__

test()运行结果1batch_size64训练次数102batch_size128训练次数103batch_size128训练次数10结语对比单个全连接网络在卷积神经网络层的加持下初始时整个神经网络模型的性能显著提升准确率最低为96%。

在batch_size64训练次数100情况下准确率达到99%。

下一阶在平均池化3*3卷积核以及不同通道数的情况下探索对模型性能的影响。