基于华为云的LeNet5的手写数字识别实验

• 实验目的

本实验，基于华为云MindSpore在MNIST数据集上开发和训练一个LeNet5模型，并验证模型精度；

• 了解如何使用MindSpore进行简单卷积神经网络的开发；
• 了解如何使用MindSpore进行简单图片分类任务的训练；
• 了解如何使用MindSpore进行简单图片分类任务的验证。
• 实验环境

ModelArts平台：Mindspore

• 实验内容及分析

1. 数据集准备

从华为云OBS中下载MNIST数据集并解压数据集，并上传至云服务器中，MNIST是一个手写数字数据集，训练集包含60000张手写数字，测试集包含10000张手写数字，共10类。

1. 导入实验环境

1. 数据处理

• 对数据进行预处理

2）展示数据集中的几张图片，样式为32x32大小的手写图片。

代码：

结果：

如图所示，显示了4张大小为32x32的手写数字。

1. 定义模型

LeNet5模型结构如下图所示：

LeNet-5由7层组成，分别是：

C1：第一个卷积层，使用6个5x5的卷积核对输入图像进行卷积，得到6个28x28的特征图。卷积核的步长为1，没有使用零填充。

S2：第一个平均池化层，使用2x2的池化区域对C1层的特征图进行下采样，得到6个14x14的特征图。池化区域的步长为2。

C3：第二个卷积层，使用16个5x5的卷积核对S2层的特征图进行卷积，得到16个10x10的特征图。卷积核的步长为1，没有使用零填充。²

S4：第二个平均池化层，使用2x2的池化区域对C3层的特征图进行下采样，得到16个5x5的特征图。池化区域的步长为2。

C5：第三个卷积层，使用120个5x5的卷积核对S4层的特征图进行卷积，得到120个1x1的特征图。卷积核的步长为1，没有使用零填充。

F6：第一个全连接层，将C5层的120个特征图展平为一个长度为120的向量，并连接到一个由84个神经元组成的隐藏层。激活函数使用sigmoid函数。

Output：输出层，是一个由10个神经元组成的softmax分类器，用于对输入图像进行分类。

为了适应LeNet-5模型的输入结构，我们需要将MNIST数据集中的28x28的图像扩展为32x32像素大小。

代码：

1. 训练

使用MNIST数据集对上述定义的LeNet5模型进行训练。训练策略如下表所示，可以调整训练策略并查看训练效果，要求验证精度大于95%。

代码：

结果及分析：

在三次训练后，精度达到了97.7%，达到了实验要求。

• 实验总结

本实验的主要收获如下：

1.了解了卷积神经网络的基本原理和结构，以及LeNet-5模型的具体设计和实现。

2.掌握了使用MindSpore框架构建和训练卷积神经网络模型的方法和流程。

3.学会了使用MindSpore提供的各种工具和函数进行数据处理，网络搭建，模型训练，评估和测试等操作。

4.学会了使用matplotlib进行结果可视化和分析。

本实验让我对卷积神经网络有了更深入的理解和掌握，我认识到卷积神经网络是一种强大的图像处理工具，它可以提取图像中的特征并进行分类。我也感受到了MindSpore框架的便捷和高效，它为我提供了丰富的模块和函数，让我可以快速地搭建和训练卷积神经网络模型。我觉得这是一次非常有意义和有趣的实验，它激发了我对深度学习的兴趣和热情，也为我打开了一个新的视野。