### 使用PyTorch构建CNN进行二分类 卷积神经网络(CNN)通常用于处理图像数据，但同样适用于其他类型的输入，比如文本或一维信号。对于二分类任务，在设计模型架构时需考虑特定需求[^1]。 下面是一个简单的例子来展示如何利用PyTorch创建一个针对二分类问题的CNN： ```python import torch from torch import nn, optim import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 定义两个卷积层 self.conv1 = nn.Conv2d(1, 32, kernel_size=5) self.conv2 = nn.Conv2d(32, 64, kernel_size=5) # 全连接层定义 self.fc1 = nn.Linear(64*4*4, 1024) self.fc2 = nn.Linear(1024, 2) # 输出维度为2表示两类 def forward(self, x): batch_size = x.size(0) # 卷积操作加上ReLU激活函数以及最大池化 x = F.relu(F.max_pool2d(self.conv1(x), 2)) x = F.relu(F.max_pool2d(self.conv2(x), 2)) # 展平张量并传递给全连接层 x = x.view(batch_size, -1) x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=1) model = SimpleCNN() optimizer = optim.Adam(model.parameters(), lr=0.001) loss_function = nn.NLLLoss() # 假设data_loader已经准备好训练集的数据迭代器 for epoch in range(num_epochs): running_loss = 0.0 for inputs, labels in data_loader: optimizer.zero_grad() # 清除梯度 outputs = model(inputs) # 正向传播 loss = loss_function(outputs, labels) # 计算损失 loss.backward() # 反向传播计算参数更新值 optimizer.step() # 更新权重参数 running_loss += loss.item() print(f'Epoch {epoch}, Loss: {running_loss/len(data_loader)}') ``` 此代码片段展示了如何建立一个基础版本的CNN，并通过Adam优化算法对其进行训练以完成二元分类任务。注意这里假设输入图片已经被预处理成适合该网络结构的形式（例如调整大小到固定尺寸），并且`data_loader`包含了准备好的批次样本和标签对。