突破Pytorch核心點，CNN ！！！
作者：小壯
創建卷積神經網絡（CNN），很多初學者不太熟悉，今兒咱們來大概說說，給一個完整的案例進行說明。
哈嘍，我是小壯！
創建卷積神經網絡（CNN），很多初學者不太熟悉，今兒咱們來大概說說，給一個完整的案例進行說明。
CNN 用于圖像分類、目標檢測、圖像生成等任務。它的關鍵思想是通過卷積層和池化層來自動提取圖像的特征，并通過全連接層進行分類。
原理
1.卷積層（Convolutional Layer）：
卷積層使用卷積操作從輸入圖像中提取特征。卷積操作涉及一個可學習的卷積核（filter/kernel），該核在輸入圖像上滑動，并計算滑動窗口下的點積。這有助于提取局部特征，使網絡對平移不變性更強。
公式：
其中，x是輸入，w是卷積核，b是偏置。
2.池化層（Pooling Layer）：
池化層用于減小數據的空間維度，減少計算量，并提取最顯著的特征。最大池化是常用的一種方式，在每個窗口中選擇最大的值。
公式（最大池化）：
3.全連接層（Fully Connected Layer）：
全連接層用于將卷積和池化層提取的特征映射到輸出類別。它連接到前一層的所有神經元。
實戰步驟和詳解
1.步驟
- 導入必要的庫和模塊。
- 定義網絡結構：使用nn.Module定義一個繼承自它的自定義神經網絡類，定義卷積層、激活函數、池化層和全連接層。
- 定義損失函數和優化器。
- 加載和預處理數據。
- 訓練網絡：使用訓練數據迭代訓練網絡參數。
- 測試網絡：使用測試數據評估模型性能。
2.代碼實現
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 定義卷積神經網絡類
class SimpleCNN(nn.Module):
def __init__(self):
super(SimpleCNN, self).__init__()
# 卷積層1
self.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)
# 卷積層2
self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1)
# 全連接層
self.fc1 = nn.Linear(32 * 7 * 7, 10) # 輸入大小根據數據調整
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
# 定義損失函數和優化器
net = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)
# 加載和預處理數據
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)
# 訓練網絡
num_epochs = 5
for 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()}')
# 測試網絡
net.eval()
with torch.no_grad():
correct = 0
total = 0
for 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 / total
print('Accuracy on the test set: {}%'.format(100 * accuracy))這個示例展示了一個簡單的CNN模型，使用MNIST數據集進行訓練和測試。
接下來，咱們添加可視化步驟，更直觀地了解模型的性能和訓練過程。
可視化
1.導入matplotlib
import matplotlib.pyplot as plt2.在訓練過程中記錄損失和準確率：
在訓練循環中，記錄每個epoch的損失和準確率。
# 在訓練循環中添加以下代碼
train_loss_list = []
accuracy_list = []
for epoch in range(num_epochs):
running_loss = 0.0
correct = 0
total = 0
for 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 / total
train_loss_list.append(epoch_loss)
accuracy_list.append(accuracy)3.可視化損失和準確率：
# 在訓練循環后，添加以下代碼
plt.figure(figsize=(12, 4))
# 可視化損失
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()
# 可視化準確率
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()這樣，咱們就可以在訓練過程結束后看到訓練損失和準確率的變化。
導入代碼后，大家可以根據需要調整可視化的內容和格式。
責任編輯：趙寧寧
來源：
DOWHAT小壯
