欢迎来到 PyTorch 卷积神经网络（CNN）实践教程！本教程将带你一步步学习如何使用 PyTorch 实现一个简单的 CNN 模型，并进行图像分类。

环境准备

在开始之前，请确保你已经安装了以下环境：

  • Python 3.6+
  • PyTorch
  • NumPy
  • Matplotlib

你可以通过以下链接查看安装指南：PyTorch 安装指南

基础概念

在开始实践之前，了解以下基础概念是非常重要的：

  • 卷积神经网络（CNN）：一种用于图像识别的神经网络。
  • 激活函数：用于引入非线性因素，使网络能够学习复杂特征。
  • 池化层：用于降低特征的空间维度，减少计算量。

实践步骤

以下是使用 PyTorch 实现一个简单 CNN 模型的步骤：

  1. 数据加载：加载并预处理图像数据。
  2. 定义模型：定义一个包含卷积层、激活函数和池化层的 CNN 模型。
  3. 训练模型：使用训练数据训练模型。
  4. 评估模型：使用测试数据评估模型性能。

数据加载

import torch
from torchvision import datasets, transforms

# 设置数据预处理
transform = transforms.Compose([
    transforms.Resize(64),
    transforms.ToTensor(),
])

# 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)

testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False)

定义模型

import torch.nn as nn
import torch.nn.functional as F

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = SimpleCNN()

训练模型

import torch.optim as optim

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

for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(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')

评估模型

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(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))

扩展阅读

想要了解更多关于 PyTorch 和 CNN 的知识，可以阅读以下教程：

希望这个教程能帮助你更好地理解 PyTorch CNN 的实践！😊