### 使用PyTorch实现卷积神经网络的具体应用实例 为了展示如何使用PyTorch实现卷积神经网络(CNN)，下面提供了一个基于LeNet-5架构的例子。此例子不仅展示了CNN的搭建方法，还包含了数据加载、训练过程以及测试部分。 #### 数据准备 首先，需要导入必要的库并下载MNIST数据集作为示例输入： ```python import torch from torchvision import datasets, transforms transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=1000, shuffle=False) ``` #### 定义模型结构 接着定义一个简单的LeNet-5 CNN模型类`Net`: ```python class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = torch.nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5) # 卷积层 self.pool = torch.nn.MaxPool2d(kernel_size=2, stride=2) # 池化层 self.conv2 = torch.nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5) self.fc1 = torch.nn.Linear(16 * 4 * 4, 120) # 全连接层 self.fc2 = torch.nn.Linear(120, 84) self.fc3 = torch.nn.Linear(84, 10) def forward(self, x): x = self.pool(torch.functional.F.relu(self.conv1(x))) x = self.pool(torch.functional.F.relu(self.conv2(x))) x = x.view(-1, 16 * 4 * 4) x = torch.functional.F.relu(self.fc1(x)) x = torch.functional.F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 这段代码中，通过组合不同的层来创建所需的CNN架构[^1]。 #### 训练与评估 设置损失函数和优化器之后就可以开始训练循环了；同时也编写了用于验证模型性能的部分： ```python model = Net() criterion = torch.nn.CrossEntropyLoss() # 设置交叉熵损失函数 optimizer = torch.optim.Adam(model.parameters()) # Adam优化算法 for epoch in range(epochs): # 对于每一个epoch... running_loss = 0.0 # 初始化loss计数器 for i, data in enumerate(train_loader, 0): # 遍历训练集中每一批次的数据 inputs, labels = data # 获取输入及其标签 optimizer.zero_grad() # 清除梯度缓存 outputs = model(inputs) # 前向传播计算预测值 loss = criterion(outputs, labels) # 计算当前batch上的平均误差 loss.backward() # 反向传播更新参数 optimizer.step() running_loss += loss.item() print('Finished Training') correct = 0 total = 0 with torch.no_grad(): # 测试时不跟踪历史记录 for data in test_loader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Accuracy of the network on the {len(test_loader.dataset)} test images: %d %%' % ( 100 * correct / total)) ``` 上述程序实现了完整的训练流程，并最终打印出了模型在整个测试集上的准确率。