### 如何使用 PyTorch 构建卷积神经网络 (CNN) 以下是关于如何利用 PyTorch 创建一个简单的 CNN 并打印其架构或训练结果的方法。 #### 定义 CNN 模型 在 PyTorch 中定义 CNN 的核心在于继承 `nn.Module` 类并实现前向传播方法 (`forward`)。下面是一个基本的 CNN 实现： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, stride=1, padding=1) self.relu = nn.ReLU() self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 全连接层 self.fc1 = nn.Linear(32 * 7 * 7, 10) # 假设输入图像大小为 28x28 def forward(self, x): x = self.conv1(x) x = self.relu(x) x = self.pool(x) x = torch.flatten(x, 1) # 批次维度保持不变 x = self.fc1(x) return x ``` 此代码片段展示了如何创建一个具有单个卷积层和全连接层的小型 CNN[^1]。 #### 打印模型结构 为了查看所构建模型的具体细节，可以使用 `print()` 函数或者更高级的方式如 `torchsummary.summary()` 来获取详细的参数统计信息。 ```python model = SimpleCNN() # 使用 print() 查看简单结构 print(model) # 如果需要更多详细信息（需安装 torchsummary） try: from torchsummary import summary input_size = (1, 28, 28) # 输入尺寸取决于数据集 summary(model, input_size=input_size) except ImportError: pass ``` 上述代码会显示每一层及其对应的输出形状以及总参数数量。 #### 训练过程中的日志记录 要监控训练期间的表现情况，则可以在每次迭代结束时保存损失值或其他指标，并定期将其打印出来以便观察进展状况。 ```python def train_model(model, dataloader, criterion, optimizer, num_epochs=5): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device) for epoch in range(num_epochs): running_loss = 0.0 correct_predictions = 0 total_samples = 0 for inputs, labels in dataloader: inputs, labels = inputs.to(device), labels.to(device) # 清零梯度 optimizer.zero_grad() outputs = model(inputs) _, preds = torch.max(outputs, dim=1) loss = criterion(outputs, labels) # 反向传播与优化 loss.backward() optimizer.step() # 统计 running_loss += loss.item() * inputs.size(0) correct_predictions += torch.sum(preds == labels.data).item() total_samples += inputs.size(0) epoch_loss = running_loss / total_samples accuracy = correct_predictions / total_samples print(f"Epoch {epoch+1}/{num_epochs}, Loss: {epoch_loss:.4f}, Accuracy: {accuracy*100:.2f}%") criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) train_loader = ... # 数据加载器初始化部分省略 train_model(model, train_loader, criterion, optimizer, num_epochs=10) ``` 这段脚本实现了完整的训练循环逻辑，其中包括设备分配、正则化处理、误差计算及反向更新权重等操作[^2]。 --- ###