### PyTorch CNN 实现解析 #### 数据准备阶段 为了构建卷积神经网络并进行训练，首先需要准备好用于训练的数据集。`DataLoader` 是 PyTorch 中用来处理数据加载的重要工具[^2]。 ```python from torchvision import datasets, transforms from torch.utils.data import DataLoader transform = transforms.Compose([ transforms.ToTensor(), ]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) batch_size = 64 train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) ``` 这段代码展示了如何通过 `DataLoader` 创建一个可以迭代访问的数据加载器 `train_loader`，其中设置了批量大小为 64 并且每次都会随机打乱输入数据的顺序来提高泛化能力[^3]。 #### 定义卷积神经网络结构 定义了一个简单的两层卷积神经网络类 `Net` 继承自 `nn.Module` 类： ```python import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 输入图像通道数为1 (灰度图)，输出通道数设为32，卷积核尺寸5*5 self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=(5, 5)) # 第二个卷积层，进一步提取特征 self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=(5, 5)) # 全连接层 self.fc1 = nn.Linear(64 * 4 * 4, 512) self.fc2 = nn.Linear(512, 10) def forward(self, x): # 卷积 -> ReLU激活函数 -> 最大池化 x = F.relu(F.max_pool2d(self.conv1(x), 2)) x = F.relu(F.max_pool2d(self.conv2(x), 2)) # 展平多维张量成一维向量作为全连接层输入 x = x.view(-1, 64 * 4 * 4) x = F.relu(self.fc1(x)) output = self.fc2(x) return output ``` 这里定义了两个卷积层 (`conv1`, `conv2`) 和两个线性变换(`fc1`, `fc2`) 来构成整个网络架构。每一层之后都应用了ReLU 非线性激活函数以增加表达力，并利用最大池化降低维度减少计算复杂度[^1]。 #### 训练过程 设置损失函数和优化算法后就可以开始训练循环，在每个epoch内遍历所有mini-batch更新权重参数直到收敛为止: ```python model = Net() criterion = nn.CrossEntropyLoss() # 使用交叉熵损失函数 optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() ``` 上述代码片段实现了完整的前馈传播、反向传播以及梯度下降的过程，从而不断调整模型内部各层之间的权值使得预测误差最小化。