### 如何使用PyTorch构建和训练卷积神经网络（CNN） 以下是关于如何使用PyTorch构建和训练一个简单的卷积神经网络（CNN）的详细说明。此过程将基于MNIST数据集，该数据集包含手写数字图像，适合初学者练习。 #### 1. 环境准备 首先需要确保安装了PyTorch库。可以通过以下命令安装PyTorch： ```bash pip install torch torchvision ``` #### 2. 导入必要的库 在代码中导入PyTorch和其他相关库： ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchvision import datasets, transforms from torch.utils.data import DataLoader ``` #### 3. 数据预处理 对MNIST数据集进行加载和预处理。这里会将图像转换为张量，并进行归一化处理： ```python transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=1000, shuffle=False) ``` 此处使用了`transforms.Normalize`对图像像素值进行了归一化[^2]。 #### 4. 定义CNN模型 定义一个简单的卷积神经网络模型，包括卷积层、池化层和全连接层： ```python class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=5, stride=1, padding=2) # 第一层卷积核大小为5×5，步长为1，填充为2 self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 最大池化层 self.conv2 = nn.Conv2d(32, 64, kernel_size=5, stride=1, padding=2) # 第二层卷积核大小为5×5 self.fc1 = nn.Linear(64 * 7 * 7, 128) # 全连接层 self.fc2 = nn.Linear(128, 10) # 输出层 def forward(self, x): x = self.pool(F.relu(self.conv1(x))) # 第一层卷积 + ReLU激活 + 池化 x = self.pool(F.relu(self.conv2(x))) # 第二层卷积 + ReLU激活 + 池化 x = x.view(-1, 64 * 7 * 7) # 展平操作 x = F.relu(self.fc1(x)) # 全连接层 + ReLU激活 x = self.fc2(x) # 输出层 return x ``` 上述代码中，卷积层的数量从较小的数值开始设置为32，并逐步增加以提高效率[^4]。 #### 5. 定义损失函数和优化器 选择交叉熵作为损失函数，并使用Adam优化器： ```python model = CNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` #### 6. 训练模型 通过迭代训练数据集来更新模型参数： ```python def train(model, train_loader, criterion, optimizer, epochs=5): model.train() for epoch in range(epochs): running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch {epoch+1}/{epochs}, Loss: {running_loss/len(train_loader)}") ``` #### 7. 测试模型 在测试集上评估模型性能： ```python def test(model, test_loader): model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f"Accuracy on test set: {100 * correct / total}%") ``` #### 8. 执行训练和测试 调用训练和测试函数完成整个流程： ```python train(model, train_loader, criterion, optimizer, epochs=5) test(model, test_loader) ```