自定义的卷积神经网络模型CNN，对图片进行分类并使用图片进行测试模型-适合入门，从模型到训练再到测试，开源项目

本文链接：https://blog.youkuaiyun.com/qq_44757503/article/details/134143140

自定义的卷积神经网络模型CNN，对图片进行分类并使用图片进行测试模型-适合入门，从模型到训练再到测试：开源项目
开源项目完整代码及基础教程：
资料获取，关注公众号【一起来学习哟】获取

在这里插入图片描述
CNN模型：

1.导入必要的库和模块：

torch：PyTorch深度学习框架。

torchvision：PyTorch的计算机视觉库，用于处理图像数据。

transforms：包含数据预处理的模块。

nn：PyTorch的神经网络模块。

F：PyTorch的函数模块，包括各种激活函数等。

optim：优化算法模块。

2.数据预处理：

transforms.Compose：将一系列数据预处理步骤组合在一起。

transforms.ToTensor()：将图像数据转换为张量。

transforms.Normalize：对图像数据进行归一化处理，以均值0.5和标准差0.5。

定义批处理大小：

batch_size：每个训练批次包含的图像数量。

加载训练集：

trainset：使用CIFAR-10数据集，设置训练标志为True。

torch.utils.data.DataLoader：创建用于加载训练数据的数据加载器，指定批处理大小和其他参数。

加载测试集：

testset：使用CIFAR-10数据集，设置训练标志为False。

torch.utils.data.DataLoader：创建用于加载测试数据的数据加载器，指定批处理大小和其他参数。

定义CNN模型：

My_CNN：自定义的卷积神经网络模型，包括卷积层、池化层和全连接层。

创建CNN模型、损失函数和优化器：

model：创建My_CNN模型的实例。

nn.CrossEntropyLoss()：定义用于多分类问题的交叉熵损失函数。

optim.SGD：使用随机梯度下降优化器，指定学习率和动量。

训练模型：

epochs：指定训练轮数。

循环中的嵌套循环：迭代训练数据批次，进行前向传播、反向传播和参数优化。

保存模型：

model_path：指定模型保存的路径。

torch.save：保存训练后的模型。

在测试集上评估模型性能：

计算模型在测试集上的准确率。

计算每个类别的准确率。

具体代码来说：

transform = transforms.Compose(

[transforms.ToTensor(),

 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

解释：

transforms.Compose：这是一个用于组合多个数据预处理步骤的函数。它允许你按顺序应用多个转换，以便将原始数据转换为最终的形式。

transforms.ToTensor()：这是一个数据预处理步骤，将图像数据转换为张量（tensor）的格式。在深度学习中，张量是常用的数据表示方式，因此需要将图像数据从常见的图像格式（如JPEG或PNG）转换为张量。

transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))：这是另一个数据预处理步骤，用于对图像进行归一化处理。归一化的目的是将图像的像素值缩放到一个特定的范围，以便神经网络更容易学习。在这里，均值和标准差都被设置为0.5，这将使图像像素值在-1到1之间。

batch_size = 4

 trainset = torchvision.datasets.CIFAR10(root=&apos;./data&apos;, train=True,

                                        download=