|
问题 卷积网络与全连接网络对于图像分类的功能上谁更加好，及在同一变量的情况下谁的精度高？ 方法 要想两种网络进行比较，要做到输出的通道数要相同，大小要保持一致，学习率一致，优化器使用一种。对于输出通道数的选择，这里统一选择10， 学习率统一为0.1，优化器我们选择momentum = 0.5. 首先分类图数据来自torchvision的datasets 1、对全连接进行实验： 全连接网络模型 class MyNet(nn.Module):
# 5.2 定义网络有哪些层，这些层都作为成员变量
def __init__(self) -> None:
super().__init__()
self.flatten = nn.Flatten() # 将28X28的图像拉伸为784维向量
self.fc1 = nn.Linear(in_features=784, out_features=512)
# 对应Layer3 也就是输出层
self.fc2 = nn.Linear(in_features=512, out_features=10)
# 5.3 定义数据在网络中的流动
# x - 1*28*28 C*H*W C表示通道数，H表示图像高度，W表示图像宽度
def forward(self, x):
# x为输出层 28*28的图像
x = self.flatten(x) # 输出：784，对于图Layer1
x = self.fc1(x) # 输出：512， Layer2
out = self.fc2(x) # 输出：10， Layer3 |
运行10周期： 
最高精度为92.15& 
2、对卷积进行实验： 卷积网络模型 class MyNet(nn.Module):
def __init__(self):
super(MyNet, self).__init__()
self.conv_unit=nn.Sequential(
nn.Conv2d(in_channels=1,out_channels=16,kernel_size=3,stride=1,padding=1),
nn.MaxPool2d(kernel_size=2,stride=2),
nn.Conv2d(in_channels=16,out_channels=32,kernel_size=3,stride=1,padding=1),
nn.MaxPool2d(kernel_size=2, stride=2),
nn.Conv2d(in_channels=32,out_channels=64,kernel_size=3,stride=1,padding=1),
nn.AdaptiveMaxPool2d(1),
nn.Conv2d(in_channels=64,out_channels=128,kernel_size=3,stride=1,padding=1)
)
self.fc_unit=nn.Sequential(
nn.Linear(128*1*1,512),
nn.Linear(512,10)
)
def forward(self,x):
x=self.conv_unit(x)
x=torch.flatten(x,1)
out=self.fc_unit(x)
return out |
 运行10周期：
最高精度为99.0% 
结语 通过本次全连接网络和卷积网络都运行10个周期得比较的实验中所得，卷积网络分类的精度远高于全连接网络的分类精度。实验不足的地方在于没有将层数保持一致，由于时间原因，运行周期较小，实验次数较少。
|
