PyTorch实现卷积神经网络CNN

一、卷积神经网络CNN

二、代码实现（PyTorch）

1. 导入依赖库

import torch
from torch import nn, optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

• nn：包含了torch已经准备好的层，激活函数、全连接层等

• optim：提供了神经网络的一系列优化算法，如 SGD、Adam 等

• datasets：提供常用的数据集，如 MNIST（本次使用）、CIFAR10/100、ImageNet、COCO 等

• DataLoder：装载上面提到的数据集

2. 准备数据集

        这里使用MNIST数据集，它是一个大型手写数字数据库（包含0~9十个数字），原始的这两个数据集由128×128像素的黑白图像组成。LeCun等人将其进行归一化和尺寸调整后得到的是28×28的灰度图像。

        MNIST数据集总共包含两个子数据集：一个训练数据集（train_dataset）和一个测试数据集（test_dataset）。它们分别包含了60K和10K的28×28的灰度图像。代码如下：

# 训练集
train_dataset = datasets.MNIST(root='./',
                               train=True,
                               transform=transforms.ToTensor(),  # 数据转换为张量格式
                               download=True)
# 测试集
test_dataset = datasets.MNIST(root='./',