PyTorch学习之路：多层卷积神经网络实现MNIST手写数字分类

原创

于 2019-04-02 10:14:42 发布 · 1.1k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#PyTorch #PyThon

这篇博客通过PyTorch构建了多层卷积神经网络，详细介绍了如何利用该网络进行MNIST手写数字的分类任务，是深度学习入门的一个实践案例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本代码参考廖星宇《深度学习入门之PyTorch》中的示例代码，手动复现而来，仅供个人学习使用，侵删。

#卷积神经网络实现MNIST手写数字分类
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

#定义卷积神经网络
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()

        self.layer1 = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3),  # b, 16(高度), 26, 26
            nn.BatchNorm2d(16),
            nn.ReLU(inplace=True)
        )

        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=3),  # b, 32, 24, 24
            nn.BatchNorm2d(32),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2)  # b, 32, 12, 12
        )

        self.layer3 = nn.Sequential(
            nn.Conv2d(32, 64, kernel_size=3),  # b, 64, 10, 10
            nn.BatchNorm2d(64),
            n