PyTorch实现CNN处理MNIST数据集

最新推荐文章于 2025-07-13 14:44:59 发布

原创

最新推荐文章于 2025-07-13 14:44:59 发布 · 716 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#卷积 #深度学习 #卷积神经网络 #pytorch

本文详细介绍了如何使用PyTorch实现CNN处理MNIST数据集，涵盖了卷积层和池化层的概念，包括卷积层的kernel size、kernel number和stride的设置，以及池化层的Max Pooling操作。文中还提供了代码示例，展示了将矩阵转换为Tensor并进行卷积运算的过程。

CNN

生成随机数Tensor的方法汇总：https://blog.youkuaiyun.com/dream161110/article/details/80293715
将矩阵化为Tensor：

input = torch.Tensor(矩阵).view(batch, input channel, width, height)

得到的input为Tensor数据类型。

卷积层

对于某个卷积层：

kernel size

kernel number = output channel

stride

其输入张量为：

batch，input channel，width，height

其输出张量为：

batch

output channel

width = （输入张量的width - kernel size）/ stide + 1

height同上

卷积核大小设置：给参数kernelsize赋值3，则默认3*3。也可以给元祖（3，5）。通常用奇数，通常用正方形。

conv_layer = torch.nn.Conv2d(in_channels, out_channels, kernel_size=kernel_size)

池化层

Max Pooling Layer：默认步长为2。

输出张量的width和height均变成一半。

代码

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F

batch_size = 64

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307, ), (0.3081, ))])

train_dataset = datasets.MNIST(root='./mnist/', train=True