使用pythorch生成cnn

在PyTorch中创建卷积神经网络（Convolutional Neural Network, CNN）的步骤通常如下：

1. **导入所需的库**：

   import torch
   from torch import nn
   import torchvision

2. **准备数据集**：
使用`torchvision.datasets`加载数据集，例如MNIST或CIFAR-10，并通过`torch.utils.data.DataLoader`组织成批次数据。

3. **定义网络结构**：
使用PyTorch的`nn.Module`类作为基础，定义一个继承自它的子类，然后定义卷积层、池化层、全连接层等组件。

   class CNN(nn.Module):
       def __init__(self):
           super(CNN, self).__init__()
           self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)  # 假设输入是RGB图像
           self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
           self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
           self.fc1 = nn.Linear(64 * 8 * 8, 128)  # 这里假设图片经过前两层后变为8x8
           self.fc2 = nn.Linear(128, num_classes)  # num_classes是你的分类类别数

       def forward(self, x):
           x = F.relu(self.conv1(x))  # 使用ReLU激活
           x = self.pool(F.relu(self.conv2(x)))
           x = x.view(-1, 64 * 8 * 8)  # 按照 flattening 的方式进行
           x = F.relu(self.fc1(x))
           x = self.fc2(x)
           return x

4. **初始化网络并配置优化器和损失函数**：

   net = CNN()
   criterion = nn.CrossEntropyLoss()  # 对于多分类任务通常用交叉熵损失
   optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate)  # 假设learning_rate是你选择的学习率

5. **训练循环**：

   for epoch in range(num_epochs):
       for inputs, labels in dataloader:
           optimizer.zero_grad()
           outputs = net(inputs)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()