深度学习----卷积神经网络

最新推荐文章于 2022-10-26 16:32:32 发布

原创

最新推荐文章于 2022-10-26 16:32:32 发布 · 495 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #cnn #人工智能

本文展示了如何在PyTorch中构建并训练一个简单的卷积神经网络（CNN），用于MNIST数据集的手写数字识别。网络包括两个卷积层、ReLU激活函数和最大池化层，最后通过全连接层输出。训练过程中使用了Adam优化器和交叉熵损失函数，每隔100个批次，计算并打印训练和验证集的准确率。

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import torch.utils.data as tudata
from torchvision import datasets,transforms
import matplotlib.pyplot as plt
import numpy as np

# 定义超参数
input_size = 28  #图像的总尺寸28*28
num_classes = 10  #标签的种类数
num_epochs = 3  #训练的总循环周期
batch_size = 64  #一个撮（批次）的大小，64张图片

# 训练集
train_dataset = datasets.MNIST(root='./data',
                            train=True,
                            transform=transforms.ToTensor(),
                            download=True)

# 测试集
test_dataset = datasets.MNIST(root='./data',
                           train=False,
                           transform=transforms.ToTensor())

# 构建batch数据
train_loader = tudata.DataLoader(dataset=train_dataset,
                                           batch_size=batch_size,
                               &n