pytorch CNN实现图片分类

以下是一个使用 PyTorch 实现简单卷积神经网络（Convolutional Neural Network, CNN）的示例代码，用于对 MNIST 手写数字数据集进行分类。

代码实现

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 定义超参数
batch_size = 64
learning_rate = 0.001
epochs = 5

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为张量
    transforms.Normalize((0.1307,), (0.3081,))  # 归一化处理
])

# 加载 MNIST 数据集
train_dataset = datasets.MNIST(root='./data', train=True,
                               download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False,
                              download=True, transform=transform)

# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 定义 CNN 模型
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        # 第一层卷积层
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        # 第二层卷积层
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        # 池化层
        self.pool = nn.MaxPool2d(2)
        # 全连接层
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        # 第一层卷积和池化
        x = self.pool(torch.relu(self.conv1(x)))
        # 第二层卷积和池化
        x = self.pool(torch.relu(self.conv2(x)))
        # 展平张量
        x = x.view(-1, 320)
        # 全连接层
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 初始化模型、损失函数和优化器
model = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(epochs):
    model.train()
    running_loss = 0.0
    for i, (images, labels) in enumerate(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}, Loss: {running_loss / len(train_loader)}')

# 测试模型
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}%')

代码解释

1. 数据预处理：使用 transforms.Compose 定义了数据预处理的步骤，包括将图像转换为张量和归一化处理。
2. 数据加载：使用 torchvision.datasets.MNIST 加载 MNIST 数据集，并使用 DataLoader 创建数据加载器。
3. 模型定义：定义了一个简单的 CNN 模型 SimpleCNN，包含两层卷积层、两层全连接层和池化层。
4. 训练过程：使用交叉熵损失函数 nn.CrossEntropyLoss 和 Adam 优化器 optim.Adam 进行模型训练。
5. 测试过程：在测试集上评估模型的准确率。

注意事项

• 代码中的超参数（如 batch_size、learning_rate 和 epochs）可以根据需要进行调整。
• 代码运行前请确保已经安装了 PyTorch 和 torchvision 库。