实验报告2

"实验报告2：基于 PyTorch 实现手写数字识别的卷积神经网络" 本实验报告的主要内容是使用 PyTorch 框架实现手写数字识别的卷积神经网络，达到测试集准确率98%以上。该实验的主要目的包括掌握卷积神经网络基本原理、掌握主流框架的基本用法、了解如何使用GPU，并通过实验报告从实验环境、网络架构、模型训练、实验结果四个方面进行阐述。 实验环境 在本实验中，我们采用 Anaconda3 + Pycharm 框架进行开发，深度学习框架采用 PyTorch 框架，各类版本号如下：python 3.7.10、pytorch 1.8.1、GPU CUDA 10.2、cudnn 8.2.0、tensorboard 2.4.1、tensorboardX 2.2、hiddenlayer 0.3。 网络架构 我们构建的卷积神经网络采用与 LeNet 类似的结构，使用 hidderlayer 库可视化网络。网络架构如下所示： * CNN1：卷积层，卷积核尺寸为3*3，步长为1，填充为1；激活函数采用 ReLU 激活函数；池化层采用平均池化，尺寸是2*2，步长为2。 * CNN2：卷积层，卷积核尺寸为5*5，步长为1；激活函数采用 ReLU 激活函数；池化层采用平均池化，尺寸是2*2，步长为2。 * FC1：展平层，使用 Flatten 操作；线性层采用两层，采用 ReLU 激活函数。 模型训练 我们使用 GPU 训练所构建的模型，采用梯度下降法优化模型，损失函数使用交叉熵损失。具体模型参数设置如下所示： * 梯度更新：采用 SGD 随机梯度下降的方法。 * 损失函数：采用 CrossEntropyLoss 交叉熵损失函数。 * 超参数设置：batch_size=256、num_epochs=100、学习率 lr=0.01。 实验结果 我们使用 tensorboardX 库对实验结果可视化，包括训练的损失、训练准确率、测试准确率。实验结果表明，测试准确率最终达到了98%以上。 结论 通过这次实验，我们学会了如何利用 PyTorch 深度学习框架实现一段简单的代码，理解了计算图的意义。不仅增加了对于卷积神经网络的理解，还提高了我们的动手能力。对于深度学习的整个流程，包括数据预处理、网络模型构建、模型训练、结果可视化等方面都有了更深层次的理解，对于后续实验起到了很好的启发作用。