### PyTorch CNN 实战教程与示例代码 以下是基于提供的引用以及PyTorch官方文档中的相关内容构建的一个完整的卷积神经网络（CNN）实战教程和示例代码。 #### 1. 数据集准备 为了演示如何使用PyTorch实现CNN，可以采用CIFAR-10数据集作为例子。这是一个常用的图像分类数据集，包含10类标签的彩色图片[^1]。 ```python import torch import torchvision import torchvision.transforms as transforms transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') ``` #### 2. 定义卷积神经网络模型 下面是一个简单的两层卷积神经网络定义。该网络包括两个卷积层、池化操作以及全连接层。 ```python import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) # 输入通道数为3，输出通道数为6，核大小为5×5 self.pool = nn.MaxPool2d(2, 2) # 池化窗口大小为2×2 self.conv2 = nn.Conv2d(6, 16, 5) # 输入通道数为6，输出通道数为16，核大小为5×5 self.fc1 = nn.Linear(16 * 5 * 5, 120) # 全连接层 self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) # 输出类别数量为10 def forward(self, x): x = self.pool(F.relu(self.conv1(x))) # 卷积 -> ReLU激活 -> 最大池化 x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) # 展平张量以便传递给全连接层 x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() ``` #### 3. 初始化权重 对于网络参数初始化，可以根据不同类型的子模块选择合适的初始化方法。例如，Xavier正态分布初始化适用于大多数情况下的权重矩阵[^2]。 ```python def weights_init(m): if isinstance(m, nn.Conv2d): # 如果是卷积层 nn.init.xavier_normal_(m.weight) # 使用Xavier正态分布初始化 if m.bias is not None: nn.init.constant_(m.bias, 0) # 偏置项设置为常数值0 elif isinstance(m, nn.Linear): # 如果是全连接层 nn.init.xavier_normal_(m.weight) nn.init.constant_(m.bias, 0) net.apply(weights_init) ``` #### 4. 设置损失函数与优化器 交叉熵损失函数适合于多分类任务，而随机梯度下降(SGD)是一种常见的优化算法。 ```python criterion = nn.CrossEntropyLoss() # 定义损失函数 optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # 定义优化器 ``` #### 5. 训练过程 训练过程中会迭代整个数据集多次，并更新模型参数以最小化损失值。 ```python for epoch in range(2): # 进行两次完整遍历的数据集循环 running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data # 获取输入；data是由[inputs, labels]组成的列表 optimizer.zero_grad() # 将参数梯度清零 outputs = net(inputs) # 正向传播 + 反向传播 + 优化 loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 2000 == 1999: # 打印每2000批次的平均损失 print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print('Finished Training') ``` #### 6. 测试模型性能 最后，在测试集中评估模型的表现。 ```python correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` --- ###