### 使用 PyTorch 进行 CNN 训练的教程与代码示例 以下是基于提供的引用以及专业知识构建的一个完整的 PyTorch 卷积神经网络 (CNN) 的训练流程。此过程涵盖了模型定义、数据准备、损失函数设置、优化器配置和实际训练逻辑。 #### 1. 导入必要的库 为了实现 CNN 模型并完成训练，需要导入以下核心模块： ```python import torch from torch import nn, optim from torch.utils.data import DataLoader, TensorDataset import numpy as np ``` --- #### 2. 定义卷积神经网络结构 下面展示的是一个典型的两层卷积网络架构，适用于图像分类任务。该网络通过 `nn.Sequential` 构建，并包含多个卷积层、池化层和全连接层。 ```python class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.features = nn.Sequential( nn.Conv2d(1, 6, kernel_size=5, padding=2), # 输入通道数为1，输出通道数为6 nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(6, 16, kernel_size=5), # 输入通道数为6，输出通道数为16 nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) self.classifier = nn.Sequential( nn.Linear(16 * 5 * 5, 120), # 展平后的输入大小为16*5*5 nn.ReLU(), nn.Linear(120, 84), nn.ReLU(), nn.Linear(84, 10) # 输出类别数量为10 ) def forward(self, x): x = self.features(x) x = torch.flatten(x, 1) # 将特征展平成一维向量 x = self.classifier(x) return x ``` 以上代码展示了如何设计一个简单的 CNN 结构[^3]。 --- #### 3. 数据预处理与加载 假设我们有一个二维数组形式的数据集 (`train_X`, `train_Y`)，可以将其转换为 PyTorch 张量并通过 `DataLoader` 加载。 ```python def prepare_data(train_X: np.ndarray, train_Y: np.ndarray, batch_size: int): # 转换为张量并将标签调整为 long 类型 tensor_x = torch.tensor(train_X).float().unsqueeze(1) # 添加额外维度作为通道 tensor_y = torch.tensor(train_Y).long() dataset = TensorDataset(tensor_x, tensor_y) dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True) return dataloader ``` --- #### 4. 定义训练函数 训练函数封装了前向传播、反向传播和参数更新的过程。 ```python def train(model: nn.Module, train_dataloader: DataLoader, optimizer: optim.Optimizer, loss_fn: nn.Module, num_epochs: int, device='cpu'): model.to(device) model.train() # 设置模型为训练模式 for epoch in range(num_epochs): running_loss = 0.0 for inputs, labels in train_dataloader: inputs, labels = inputs.to(device), labels.to(device) # 前向传播 outputs = model(inputs) loss = loss_fn(outputs, labels) # 反向传播与优化 optimizer.zero_grad() loss.backward() # 自动计算梯度[^2] optimizer.step() running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_dataloader):.4f}') ``` --- #### 5. 实际运行示例 将上述组件组合起来即可执行整个训练过程。 ```python if __name__ == "__main__": # 参数初始化 input_shape = (100, 28, 28) # 假设有100个样本，每张图片尺寸为28x28 output_classes = 10 # 分类数目为10 batch_size = 16 # 批次大小 learning_rate = 0.001 # 学习率 epochs = 5 # 总轮数 # 随机生成模拟数据 train_X = np.random.rand(*input_shape) train_Y = np.random.randint(output_classes, size=input_shape[0]) # 准备数据 dataloader = prepare_data(train_X, train_Y, batch_size) # 初始化模型、损失函数和优化器 cnn_model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(cnn_model.parameters(), lr=learning_rate) # 开始训练 train(cnn_model, dataloader, optimizer, criterion, epochs) ``` --- ####