PyTorch CNN 教程

本教程将带您了解如何使用 PyTorch 构建卷积神经网络（CNN）进行图像分类。CNN 是深度学习中一种强大的图像识别模型，广泛应用于计算机视觉领域。

基础概念

卷积层（Convolutional Layer）：用于提取图像特征。
激活函数（Activation Function）：用于引入非线性，使模型能够学习更复杂的特征。
池化层（Pooling Layer）：用于降低特征图的尺寸，减少计算量。
全连接层（Fully Connected Layer）：用于将特征图转换为类别标签。

实践步骤

导入库：首先，我们需要导入 PyTorch 和其他必要的库。
```
import torch
import torch.nn as nn
import torch.optim as optim
```

定义网络结构：接下来，我们定义一个简单的 CNN 结构。

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, 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.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, 2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 64 * 7 * 7)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

训练模型：使用训练数据训练模型。

model = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

for epoch in range(10):
    for data, target in train_loader:
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

评估模型：使用测试数据评估模型性能。

correct = 0
total = 0
with torch.no_grad():
    for data, target in test_loader:
        outputs = model(data)
        _, predicted = torch.max(outputs.data, 1)
        total += target.size(0)
        correct += (predicted == target).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))

扩展阅读

更多关于 PyTorch 和 CNN 的内容，请参考以下链接：

图片展示