PyTorch 卷积神经网络教程代码示例

卷积神经网络（CNN）是深度学习中用于图像识别、物体检测等视觉任务的重要模型。本教程将带您通过PyTorch框架学习并实现几个基本的卷积神经网络。

教程内容

以下是本教程中包含的代码示例：

• 基础CNN构建
• 卷积神经网络可视化
• 迁移学习
• 图像分类

代码示例

基础CNN构建

import torch
import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(64 * 28 * 28, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = torch.relu(self.conv1(x))
        x = torch.max_pool2d(x, 2)
        x = torch.relu(self.conv2(x))
        x = torch.max_pool2d(x, 2)
        x = x.view(-1, 64 * 28 * 28)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

卷积神经网络可视化

卷积神经网络结构图

迁移学习

迁移学习是一种利用在大型数据集上预训练的模型来提高小数据集性能的技术。PyTorch提供了许多预训练模型，例如ResNet、VGG等。

from torchvision import models

# 加载预训练的ResNet模型
model = models.resnet18(pretrained=True)

# 修改模型的最后一层以适应新的任务
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10)

图像分类

import torchvision.transforms as transforms
from torchvision import datasets

# 数据预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

# 加载CIFAR-10数据集
trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)

# 使用预训练的模型进行图像分类
# ...

扩展阅读

更多关于PyTorch和卷积神经网络的教程，请访问PyTorch官方文档。