深度学习CNN中Lenet和优化器

Question

有没有什么预训练的lenet模型
我目前代码如下

class LeNet(nn.Module):
    def __init__(self):
        super().__init__()
        # 3 input image channel, 6 output channels, 5x5 square convolution
        self.conv1 = torch.nn.Conv2d(3, 6, kernel_size = 5, padding = 2)
        self.conv2 = torch.nn.Conv2d(6, 16, kernel_size = 5)
        self.conv3 = torch.nn.Conv2d(16, 32, kernel_size = 5)
        self.pool = nn.MaxPool2d(kernel_size = 2, stride = 2)
        self.dropout = nn.Dropout(p=0.1)
        self.fc1 = torch.nn.Linear(32*13*13, 120)      
        self.fc2 = torch.nn.Linear(120, 84)
        self.fc3 = torch.nn.Linear(84, 2)
  def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = self.pool(F.relu(self.conv3(x)))
        x = torch.reshape(x, (x.size()[0], -1))
        x = self.dropout(x)
        x = F.relu(self.fc1(x))
        x = self.dropout(x)
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        
        return x

优化使用的是SGD
不知道有没有什么简单清晰的方法提高正确率
目前是91左右，希望能上93

补充：训练集不大 只有5w张图

Answer 1

import torch
import torchvision.models as models

# 加载预训练的LeNet模型
model = models.lenet(pretrained=True)

# 将最后一层的输出改为2（因为你的任务是二分类）
model.classifier[-1] = torch.nn.Linear(84, 2)

# 将模型转移到GPU上
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

# 你的优化器和损失函数等不变
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
criterion = torch.nn.CrossEntropyLoss()

另外，你可以尝试以下方法来提高模型的准确率：

增加训练数据。如果你的训练数据集不够大，可以使用数据增强技术来生成更多的训练样本。

调整学习率。你可以尝试减小学习率，以避免模型在训练时过早收敛或者过拟合。

调整模型结构。可以尝试增加或减少卷积层、全连接层的数量，或者调整它们的大小。

使用正则化技术。例如dropout和L2正则化等可以有效减少过拟合问题。

尝试使用其他的优化器，例如Adam或Adagrad等，它们可能会比SGD更好地适应你的模型。

进行模型融合。如果你有多个模型，可以将它们的预测结果进行融合，以提高整体的准确率。

chatGPT回答的