### 如何使用 PyTorch 构建卷积神经网络 (CNN) 构建 CNN 的过程涉及定义网络架构、初始化权重以及训练模型。以下是详细的说明： #### 定义 CNN 网络架构 在 PyTorch 中，可以通过继承 `torch.nn.Module` 类来创建自定义的 CNN 模型。以下是一个简单的 CNN 实现示例，该网络包含两个卷积层和一个全连接层。 ```python import torch import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 第一层卷积层：输入通道为1（灰度图），输出通道为32，卷积核大小为5×5 self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=5, stride=1, padding=2)[^5] # 最大池化层：窗口大小为2×2 self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 第二层卷积层：输入通道为32，输出通道为64，卷积核大小为5×5 self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2) # 全连接层：输入维度为64*7*7，输出维度为10（假设分类任务有10类） self.fc1 = nn.Linear(64 * 7 * 7, 10) def forward(self, x): # 输入经过第一个卷积层并激活 x = F.relu(self.conv1(x)) # 经过最大池化层 x = self.pool(x) # 输入经过第二个卷积层并激活 x = F.relu(self.conv2(x)) # 再次通过最大池化层 x = self.pool(x) # 将张量展平以便输入到全连接层 x = x.view(-1, 64 * 7 * 7) # 输入到全连接层 x = self.fc1(x) return x ``` 此代码片段展示了如何定义一个基本的 CNN 结构[^1]。它包括两层卷积操作、ReLU 激活函数、最大池化操作以及最终的全连接层用于分类。 #### 初始化与优化器设置 为了训练这个 CNN 模型，还需要指定损失函数和优化器。常用的交叉熵损失适用于多类别分类问题，而 Adam 是一种流行的优化算法。 ```python model = SimpleCNN() # 使用交叉熵作为损失函数 criterion = nn.CrossEntropyLoss() # 使用Adam优化器 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` 以上部分完成了模型的初始化工作，并选择了适合的损失计算方式和参数更新策略[^1]。 #### 训练循环 下面是完整的训练流程框架，假定已经加载好了数据集并且迭代器名为 `train_loader` 和 `test_loader`。 ```python def train_model(model, criterion, optimizer, num_epochs=10): for epoch in range(num_epochs): model.train() # 设置模型为训练模式 running_loss = 0.0 correct_predictions = 0 total_samples = 0 for images, labels in train_loader: # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 反向传播及优化 optimizer.zero_grad() loss.backward() optimizer.step() # 统计信息 _, predicted = torch.max(outputs.data, 1) total_samples += labels.size(0) correct_predictions += (predicted == labels).sum().item() running_loss += loss.item() accuracy = 100 * correct_predictions / total_samples print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss:.4f}, Accuracy: {accuracy:.2f}%') # 调用训练函数 train_model(model, criterion, optimizer, num_epochs=10) ``` 上述脚本实现了标准的小批量梯度下降法来进行多次周期的学习过程[^1]。 --- #### 总结 利用 PyTorch 创建 CNN 主要分为三个阶段——定义网络结构、设定目标函数与求解方法、执行实际的数据拟合运算。每一个环节都至关重要，直接影响到最后预测效果的好坏程度。