使用pytorch搭建简单CNN

最新推荐文章于 2025-04-18 21:09:32 发布

HuiFeiDeTuoNiaoGZ

最新推荐文章于 2025-04-18 21:09:32 发布

阅读量2.3k

点赞数 3

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/HuiFeiDeTuoNiaoGZ/article/details/105778114

版权

下载安装

pytorch官网上给出了通过pip，conda安装的命令，由于国内网络的原因，pip需要镜像。有CUDA版本和CPU版本的。安装anaconda可以方便地使用许多独立的python环境，在pycharm里可以直接切换使用的conda环境。直接使用conda安装pytorch不需要翻墙，会下载torch和torchvison，torchvision主要是跟图像有关的库，有训练的数据集和训练好的模型等。

使用CNN训练

定义几个全局变量，epoch是训练的次数，因为我用的cpu训练很慢就设为1了，batch_size是分批训练，每批的数据个数，lr是学习率，这里使用的是MNIST数据，如果之前没有下载过，就把这个设成True，如果已经下载过就设成False。

EPOCH = 1            
BATCH_SIZE = 50
LR = 0.001
DOWNLOAD_MNIST = False

train是使用数据集的training data，然后将其转换为tensor（CWH）的形式，如果下载过就不用下载了。

train_data = torchvision.datasets.MNIST(
    root='./mnist/',
    train=True,                                     
    transform=torchvision.transforms.ToTensor(),
    download=DOWNLOAD_MNIST,
)

有60000个训练数据，是28*28像素的灰度图。
在这里插入图片描述

把数据放到dataloader里，以便进行批训练，shuffle参数是是否打乱顺序。

train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

搭建神经网络，首先是一个卷积层，接一个ReLU激活函数，接一个池化层，卷积层将维度提升到了16维，padding是(kernel_size-1)/2这样保持图片大小不变，因此一开始是12828卷积之后是162828，池化之后是161414。之后再连接的卷积层有32个filter，padding还是2，因此变为321414，池化之后变为3277。最后输出层要把它拉直作为一个线性的变量去求。

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(         
            nn.Conv2d(
                in_channels=1,              
                out_channels=16,            
                kernel_size=5,              
                stride=1,                   
                padding=2,                  
            ),                              
            nn.ReLU(),                      
            nn.MaxPool2d(kernel_size=2),    
        )
        self.conv2 = nn.Sequential(         
            nn.Conv2d(16, 32, 5, 1, 2),     
            nn.ReLU(),                      
            nn.MaxPool2d(2),                
        )
        self.out = nn.Linear(32 * 7 * 7

最低0.47元/天解锁文章