RESNET101模型MNIST

### 使用ResNet101模型处理MNIST数据集 #### 数据预处理与加载 为了使用ResNet101模型训练或测试MNIST数据集，首先需要对MNIST数据进行适当的预处理。由于ResNet通常用于较大尺寸的图像分类任务（如ImageNet），而MNIST中的图像是28×28的小型灰度图像，因此需要调整输入大小以适应ResNet的要求。 可以通过`torchvision.transforms.Resize()`方法将MNIST图像缩放到适合ResNet的标准输入尺寸（通常是224×224）。此外，还需要将灰度图像转换为三通道图像，因为ResNet默认接受RGB图像作为输入[^1]。 以下是数据预处理和加载的代码示例： ```python import torch from torchvision import datasets, transforms transform = transforms.Compose([ transforms.Resize((224, 224)), # 调整图像大小到224x224 transforms.Grayscale(num_output_channels=3), # 将单通道灰度图像转为三通道 transforms.ToTensor(), # 转换为张量 transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]) # 归一化 ]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) ``` #### 构建ResNet101模型 可以利用PyTorch内置的`torchvision.models.resnet101`模块快速构建ResNet101模型。需要注意的是，默认情况下该模型适用于具有1000类别的ImageNet数据集，因此需要修改最后一层全连接层以适配MNIST的10类别输出。 以下是模型定义的代码示例： ```python import torchvision.models as models resnet101 = models.resnet101(pretrained=False) # 不加载预训练权重 num_ftrs = resnet101.fc.in_features # 获取最后全连接层的输入特征数 resnet101.fc = torch.nn.Linear(num_ftrs, 10) # 修改全连接层以匹配MNIST的10个类别 ``` #### 训练过程 训练过程中需要指定损失函数、优化器以及学习率调度策略。对于分类任务，常用的损失函数是交叉熵损失（CrossEntropyLoss）。可以选择Adam优化器或其他合适的优化算法。 以下是完整的训练循环代码示例： ```python device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') resnet101.to(device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(resnet101.parameters(), lr=0.001) def train_model(model, criterion, optimizer, num_epochs=10): model.train() for epoch in range(num_epochs): running_loss = 0.0 correct_predictions = 0 total_samples = 0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() _, predicted = torch.max(outputs, 1) total_samples += labels.size(0) correct_predictions += (predicted == labels).sum().item() running_loss += loss.item() accuracy = 100 * correct_predictions / total_samples print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}, Accuracy: {accuracy:.2f}%") train_model(resnet101, criterion, optimizer, num_epochs=5) ``` #### 测试过程 完成训练后，可以在测试集上评估模型性能。通过计算预测标签与真实标签的一致性比例来衡量模型准确性。 以下是测试代码示例： ```python def test_model(model, data_loader): model.eval() with torch.no_grad(): correct = 0 total = 0 for images, labels in data_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() accuracy = 100 * correct / total print(f'Test Accuracy of the model on the 10000 test images: {accuracy:.2f}%') test_model(resnet101, test_loader) ``` ---