第 2 周《深度学习基本原理实践》· MNIST 四个基础模型

按课件 第2周-深度学习基本原理实践.pptx(1.2 MLP / 1.3 CNN / 1.4 LSTM-GRU)从零实现并训练的四个模型, 统一在 MNIST 上训练 3 轮(Adam,lr=1e-3,batch 64,训练 50000 / 验证 10000 / 测试 10000)。

模型 结构 验证准确率 测试准确率 训练耗时
MLP 784 → 64 → 10(ReLU) 96.04% 96.09% 6.1 s
CNN Conv(1→20,5×5)+ReLU+MaxPool → Conv(20→50,5×5)+ReLU+MaxPool → 800→500→10 98.81% 99.00% 9.3 s
LSTM LSTM(input=28, hidden=128) → FC(128,10) 96.87% 96.90% 7.8 s
GRU GRU(input=28, hidden=128) → FC(128,10) 97.07% 96.67% 7.0 s

curves

compare

权重文件

文件 说明
models/mlp.pt MLP,{"model": state_dict, "arch", "test_acc", "val_acc", "val_loss"}
models/cnn.pt CNN(效果最好)
models/lstm.pt LSTM(128)
models/gru.pt GRU(128)

加载示例:

import torch
from week2_lab import MNISTCNN

ckpt = torch.load("models/cnn.pt", map_location="cpu")
model = MNISTCNN()
model.load_state_dict(ckpt["model"])
model.eval()
print(ckpt["arch"], ckpt["test_acc"])

训练与作图

:: 训练(pytorch_env,GPU,约 2.5 分钟)
C:\Users\33429\miniconda3\envs\pytorch_env\python.exe week2_lab.py --no-plots
:: 作图(class1;pytorch_env 的 matplotlib 3.9.4 在这台机器 savefig 会崩)
C:\Users\33429\miniconda3\envs\class1\python.exe plot_week2.py

文件

文件 说明
week2_lab.py / plot_week2.py 训练脚本 / 作图脚本
results.json 全部指标(含逐轮 val_loss / val_acc)
log.txt 完整训练日志
01_function_fit.png 1.1 函数拟合结果(MSE 0.00258)
02_mnist_curves.png / 03_model_compare.png / 04_predictions.png 曲线 / 对比 / 预测样例
Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Dataset used to train FmyzA/mnist-pytorch-basics

Evaluation results