如何模仿手写数字识别的LeNet卷积神经网络，搭建用于对女明星进行分类的程序

Question

如何模仿手写数字识别的LeNet卷积神经网络，搭建用于对女明星进行分类的程序

本项目的文件夹下有一个压缩包，压缩包里有12名女明星的照片，怎么样才能模仿手写数字识别的LeNet卷积神经网络，搭建用于区分女明星的程序。

说明：
1.神经网络训练完成后，再选一张不属于训练集和测试集的图片，用训练好的神经网络进行预测
2.基本步骤提示：
（a）.解压缩，用os模块获取每个图片的地址列表和标签 （标签就是文件夹名）
（b）.建立数据集对象DataSet类，读取数据集，分割训练集和测试集，对图片进行转换和处理
（c）.建立LeNet卷积神经网络的类（注意，由于图片大小、数据集数量有变，否则精度肯定很差）
（d）.建立模型，配置参数，训练模型
（e）.另下载一张照片，进行预测，输出预测结果

提示：

# 提示：首先请对上述生成每一组图片文件列表进行切割，分为训练集列表、测试集列表，比例为8:2
# 提示：构建DataSet类,用来给paddle2.0喂数据
class MyDataset(paddle.io.Dataset):
    """
    步骤一：继承paddle.io.Dataset类
    """
    def __init__(self, train_list, val_list, mode='train'):
        """
        步骤二：实现构造函数，定义数据读取方式
        """
        super(MyDataset, self).__init__()
        self.data= []

        if mode == 'train':
            
            # 获取训练集的self.data，请同学们自己写

        else:
            
             # 获取测试集的self.data，请同学们自己写

    def load_img(self, image_path):
        
        # 从路径名返回图片的函数请同学们自己写

        return image

    def __getitem__(self, index):
        """
        步骤三：实现__getitem__方法，定义指定index时如何获取数据，并返回单条数据（训练数据，对应的标签）
        """
        image = self.load_img(self.data[index][0])
        label = self.data[index][1]

        # 对图片进行统一化处理，请同学们自己写
        # 提示：图片尺寸要统一，尺寸不要太大，要转换成RGB格式 （CV2默认格式都是BGR）

        return image, np.array(label, dtype='int64')

    def __len__(self):
        """
        步骤四：实现__len__方法，返回数据集总数目
        """
        return len(self.data)

Answer 1

要模仿手写数字识别的LeNet卷积神经网络，搭建用于对女明星进行分类的程序，可以按照以下步骤进行：

准备数据集：首先，你需要将压缩包中的女明星照片解压缩，并将它们按照相应的标签（即文件夹名）进行分类。可以使用Python的os模块来获取每个图片的地址列表和标签。
数据预处理：然后，你需要建立一个数据集对象。在这个例子中，你可以创建一个名为MyDataset的类，继承自paddle.io.Dataset。在这个类中，你需要实现数据加载、图片尺寸统一、RGB格式转换等功能。
建立LeNet卷积神经网络模型：接下来，你需要建立一个LeNet卷积神经网络的类。由于图片大小和数据集数量可能会有所不同，因此你需要根据实际情况进行调整，以确保模型的精度。
训练模型：建立好模型后，你需要配置参数并训练模型。你可以使用PaddlePaddle框架提供的API来实现这一步。
预测：最后，你可以下载一张不属于训练集和测试集的女明星照片，使用训练好的模型进行预测，并输出预测结果。
以下是一个简化的代码示例，供你参考：

import os
import paddle
from paddle.io import Dataset
from PIL import Image
import numpy as np

class MyDataset(Dataset):
    def __init__(self, train_list, val_list, mode='train'):
        super(MyDataset, self).__init__()
        self.data = []
        if mode == 'train':
            for image_path, label in train_list:
                self.data.append((image_path, label))
        else:
            for image_path, label in val_list:
                self.data.append((image_path, label))
    
    def load_img(self, image_path):
        image = Image.open(image_path).convert('RGB')
        return image
    
    def __getitem__(self, index):
        image_path, label = self.data[index]
        image = self.load_img(image_path)
        image = paddle.to_tensor(np.array(image).astype('float32') / 255.0)
        return image, label
    
    def __len__(self):
        return len(self.data)

# 加载数据集
train_list = [(os.path.join("train", "明星A", "图片1.jpg"), "明星A")]  # 示例数据，需要根据实际情况修改
val_list = [(os.path.join("val", "明星B", "图片1.jpg"), "明星B")]  # 示例数据，需要根据实际情况修改
train_dataset = MyDataset(train_list, [], mode='train')
val_dataset = MyDataset(train_list, [], mode='test')  # 可以用训练集作为验证集，简化示例

# 创建LeNet卷积神经网络模型（简化示例）
class Net(paddle.nn.Layer):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=6, kernel_size=5)
        self.pool = paddle.nn.MaxPool2D(kernel_size=2)
        self.fc = paddle.nn.Linear(in_features=6 * 15 * 15, out_features=10)  # 假设最后的卷积输出是15x15像素大小
    
    def forward(self, x):
        x = self.pool(paddle.nn.functional.relu(self.conv1(x)))
        x = paddle.reshape(x, shape=[-1, 6 * 15 * 15])  # 重新整形为适合全连接层的输入形状
        x = self.fc(x)
        return x
    
# 配置和训练模型（简化示例）
model = Net()
criterion = paddle.nn.CrossEntropyLoss()  # 假设使用交叉熵损失函数，实际应用中可能需要其他损失函数或调整参数
optimizer = paddle.optimizer.Adam(parameters=model.parameters())  # 使用Adam优化器，实际应用中可能需要其他优化器或调整参数
for epoch in range(10):  # 假设训练10个epoch，实际应用中可能需要更多或更少epoch