### 使用 PyTorch 编写分类神经网络 编写一个用于图像分类的简单卷积神经网络(CNN)，可以遵循以下结构： #### 导入必要的库 为了构建模型，首先需要导入PyTorch和其他辅助库。 ```python import torch from torch import nn, optim import torch.nn.functional as F ``` #### 定义网络架构 定义一个新的类来继承`nn.Module`并实现前向传播方法。这里展示了一个简单的CNN例子。 ```python class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) # 全连接层 self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 此代码片段创建了一个具有两层卷积和三层全连接层的小型CNN[^1]。 #### 初始化模型实例 接着初始化上述定义好的模型的一个实例对象。 ```python model = SimpleCNN() print(model) ``` #### 设置损失函数与优化器 选择合适的损失函数对于训练过程至关重要；对于多类别分类问题通常采用交叉熵损失。Adam是一种常用的自适应学习率算法，在许多情况下表现良好。 ```python criterion = nn.CrossEntropyLoss() # 损失函数 optimizer = optim.Adam(model.parameters(), lr=0.001) # 优化器 ``` #### 训练循环 最后一步是设置训练循环来进行参数更新。这涉及到遍历数据集多次（epoch），每次迭代都计算预测误差并通过反向传播调整权重。 ```python for epoch in range(num_epochs): # num_epochs 是预先设定的轮数 running_loss = 0.0 for inputs, labels in dataloader: # 假设已经准备好 DataLoader 对象 optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch+1}, Loss: {running_loss/len(dataloader)}') ``` 完成这些步骤后，就拥有了一个基本的工作流程来训练基于PyTorch框架下的图像分类器[^2]。