本文将带你入门使用 PyTorch 进行卷积神经网络（CNN）的构建和训练。我们将从基础概念开始，逐步深入到模型构建、训练和评估。

1. 引言

卷积神经网络（CNN）是深度学习领域中一种重要的模型，尤其在图像识别、图像分类等领域表现优异。PyTorch 是一个流行的深度学习框架，以其简洁易用的特点受到了广泛欢迎。

2. 基础概念

在开始构建 CNN 之前，我们需要了解一些基本概念：

  • 卷积层（Convolutional Layer）：卷积层是 CNN 的核心，用于提取图像特征。
  • 激活函数（Activation Function）：激活函数用于引入非线性，使得网络能够学习更复杂的模式。
  • 池化层（Pooling Layer）：池化层用于降低特征图的空间维度，减少计算量。

3. PyTorch CNN 构建步骤

以下是使用 PyTorch 构建 CNN 的一般步骤：

  1. 导入必要的库：

    import torch
import torch.nn as nn
import torch.optim as optim

  2. 定义网络结构：

    class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = self.pool(self.relu(self.conv2(x)))
        x = x.view(-1, 64 * 7 * 7)
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

  3. 初始化模型、损失函数和优化器：

    model = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

  4. 训练模型：

    for epoch in range(2):  # loop over the dataset multiple times
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0
print('Finished Training')

  5. 评估模型：

    correct = 0
total = 0
with torch.no_grad():
    for data in test_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

4. 扩展阅读

更多关于 PyTorch 和 CNN 的信息，您可以参考以下资源：

5. 总结

本文介绍了使用 PyTorch 构建 CNN 的基本步骤。通过阅读本文，您应该能够理解 CNN 的工作原理，并开始构建自己的模型。

希望本文对您有所帮助！🌟

CNN模型结构图

希望这个教程对您有所帮助！如果您有任何疑问，欢迎在评论区留言。👇