实验一：LeNet结构对于MNIST手写数字体识别

实验要求

使用MNIST手写数字体数据集进行训练和预测，实现测试集准确率达到98%及以上。本实验的目的：

• 掌握卷积神经网络基本原理，以LeNet为例

• 掌握主流框架的基本用法以及构建卷积神经网络的基本操作

• 了解如何使用GPU

实验过程

前期准备

导入pytorch, matplotlib, numpy, torchinfo库。在Mac 环境下，GPU加速主要通过pytorch的mps功能实现。检查MPS是否可用

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
import numpy as np
import torch.nn.functional as F
from torchinfo import summary
import os
​
# 检查 MPS 是否可用
device = torch.device("mps")
print(torch.backends.mps.is_available())

数据集下载

• 数据集下载路径设置为项目目录下的 data 文件夹：使用os.path.join在项目目录下新建 data 文件夹，作为data_path，用于储存训练和测试数据。

• 加载 MNIST 数据集：

  • 使用torchvision.transforms.ToTensor()作为转化函数. 使用datasets将MNIST下载到data_path，并转化为tensor(tensor是一种类似于ndarray的数据类型，其维数不限，适用于深度学习的矩阵运算)。download=True：如果数据集还未下载，它会自动从网络下载。

  • 设置batch_size为32

• 数据加载器：使用数据加载器train_dl和test_dl将数据集加载到模型中按照batch_size进行训练和测试

• 查看第一个批次的数据：使用next(iter(train_dl))查看train_dl第一个批次的数据，返回 Batch shape: torch.Size([32, 1, 28, 28])，表示每批32个数据，1通道，高32像素，宽32像素

• 显示样本图片：显示前20张样本图片

# 数据集下载路径设置为项目目录下的 data 文件夹
data_path = os.path.join(os.getcwd(), "data")
​
# 加载 MNIST 数据集
transform = torchvision.transforms.ToTensor()
train_ds = torchvision.datasets.MNIST(data_path, train=True, transform=transform, download=True)
test_ds = torchvision.datasets.MNIST(data_path, train=False, transform=transform, download=True) 
​
batch_size = 32
​
# 数据加载器
train_dl = torch.utils.data.DataLoader(train_ds, batch_size=batch_size, shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds, batch_size=batch_size)
​
# 查看第一个批次的数据
imgs, labels = next(iter(train_dl))
print("Batch shape:", imgs.shape)
​
# 显示样