dgcnn训练自己的数据集

DGCNN（Dynamic Graph Convolutional Neural Network）是一个基于动态图卷积神经网络的模型，用于图像分类任务。它通过学习图像在局部邻域的关系来进行特征提取和分类。

下面是一个基于PyTorch的DGCNN代码的简要解释：

import torch
import torch.nn as nn
import torch.nn.functional as F

class DGCNN(nn.Module):
    def __init__(self, num_classes):
        super(DGCNN, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True)
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(64, 64, kernel_size=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True)
        )
        self.conv3 = nn.Sequential(
            nn.Conv2d(64, 64, kernel_size=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True)
        )
        self.fc1 = nn.Linear(64*64, 1024)
        self.fc2 = nn.Linear(1024, 512)
        self.fc3 = nn.Linear(512, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.conv3(x)
        x = F.max_pool2d(x, kernel_size=x.size()[2:])
        x = x.view(x.size(0), -1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在这个代码中，我们定义了一个名为DGCNN的PyTorch模型类。构造函数`__init__`中定义了模型的各个层，包括卷积层（conv1, conv2, conv3）、批归一化层（BatchNorm2d）、线性全连接层（fc1, fc2, fc3），以及激活函数ReLU。

在`forward`方法中，我们将输入的图像数据通过卷积层和激活函数进行特征提取，并使用池化操作进行降维。然后，我们将降维后的特征数据展平，并通过线性全连接层和激活函数再次进行特征变换。最后，通