江苏龙网

  1. 主页 > 生活百科 > >

突破Pytorch核心点，CNN ！！！

PyTorch

创建卷积神经网络（CNN） ， 很多初学者不太熟悉，今儿咱们来大概说说，给一个完整的案例进行说明 。
CNN 用于图像分类、目标检测、图像生成等任务 。它的关键思想是通过卷积层和池化层来自动提取图像的特征，并通过全连接层进行分类 。
原理1.卷积层（Convolutional Layer）：卷积层使用卷积操作从输入图像中提取特征 。卷积操作涉及一个可学习的卷积核（filter/kernel） ， 该核在输入图像上滑动，并计算滑动窗口下的点积 。这有助于提取局部特征，使网络对平移不变性更强 。
公式：

突破Pytorch核心点，CNN ！！！

文章插图
其中，x是输入，w是卷积核，b是偏置 。
2.池化层（Pooling Layer）：池化层用于减小数据的空间维度，减少计算量 ， 并提取最显著的特征 。最大池化是常用的一种方式，在每个窗口中选择最大的值 。
公式（最大池化）：
突破Pytorch核心点，CNN ！！！

文章插图
3.全连接层（Fully Connected Layer）：全连接层用于将卷积和池化层提取的特征映射到输出类别 。它连接到前一层的所有神经元 。
实战步骤和详解1.步骤
  • 导入必要的库和模块 。
  • 定义网络结构：使用nn.Module定义一个继承自它的自定义神经网络类，定义卷积层、激活函数、池化层和全连接层 。
  • 定义损失函数和优化器 。
  • 加载和预处理数据 。
  • 训练网络：使用训练数据迭代训练网络参数 。
  • 测试网络：使用测试数据评估模型性能 。
2.代码实现import torchimport torch.nn as nnimport torch.optim as optimfrom torchvision import datasets, transforms# 定义卷积神经网络类class SimpleCNN(nn.Module):def __init__(self):super(SimpleCNN, self).__init__()# 卷积层1self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1)self.relu = nn.ReLU()self.pool = nn.MaxPool2d(kernel_size=2, stride=2)# 卷积层2self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1)# 全连接层self.fc1 = nn.Linear(32 * 7 * 7, 10)# 输入大小根据数据调整def forward(self, x):x = self.conv1(x)x = self.relu(x)x = self.pool(x)x = self.conv2(x)x = self.relu(x)x = self.pool(x)x = x.view(-1, 32 * 7 * 7)x = self.fc1(x)return x# 定义损失函数和优化器net = SimpleCNN()criterion = nn.CrossEntropyLoss()optimizer = optim.Adam.NET.parameters(), lr=0.001)# 加载和预处理数据transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])trAIn_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)# 训练网络num_epochs = 5for epoch in range(num_epochs):for i, (images, labels) in enumerate(train_loader):optimizer.zero_grad()outputs = net(images)loss = criterion(outputs, labels)loss.backward()optimizer.step()if (i+1) % 100 == 0:print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item()}')# 测试网络net.eval()with torch.no_grad():correct = 0total = 0for images, labels in test_loader:outputs = net(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()accuracy = correct / totalprint('Accuracy on the test set: {}%'.format(100 * accuracy))这个示例展示了一个简单的CNN模型 ， 使用MNIST数据集进行训练和测试 。
接下来，咱们添加可视化步骤，更直观地了解模型的性能和训练过程 。
可视化1.导入matplotlibimport matplotlib.pyplot as plt2.在训练过程中记录损失和准确率：在训练循环中 ， 记录每个epoch的损失和准确率 。
# 在训练循环中添加以下代码train_loss_list = []accuracy_list = []for epoch in range(num_epochs):running_loss = 0.0correct = 0total = 0for i, (images, labels) in enumerate(train_loader):optimizer.zero_grad()outputs = net(images)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()if (i+1) % 100 == 0:print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item()}')epoch_loss = running_loss / len(train_loader)accuracy = correct / totaltrain_loss_list.Append(epoch_loss)accuracy_list.append(accuracy)3.可视化损失和准确率：# 在训练循环后，添加以下代码plt.figure(figsize=(12, 4))# 可视化损失plt.subplot(1, 2, 1)plt.plot(range(1, num_epochs + 1), train_loss_list, label='Training Loss')plt.title('Training Loss')plt.xlabel('Epochs')plt.ylabel('Loss')plt.legend()# 可视化准确率plt.subplot(1, 2, 2)plt.plot(range(1, num_epochs + 1), accuracy_list, label='Accuracy')plt.title('Accuracy')plt.xlabel('Epochs')plt.ylabel('Accuracy')plt.legend()plt.tight_layout()plt.show()


推荐阅读


上一篇：大模型平台都在用的SSE协议是怎么样的？

下一篇：如何用Java实现自动化测试和质量控制？