pytorch 卷积神经网络正则化代码

以下是一个使用 PyTorch 实现卷积神经网络正则化的示例代码：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
        self.dropout = nn.Dropout(p=0.5)

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = torch.relu(self.fc1(x))
        x = self.dropout(x)
        x = torch.relu(self.fc2(x))
        x = self.dropout(x)
        x = self.fc3(x)
        return x

在这个示例中，我们使用了 nn.Dropout 层来实现正则化。这个层会在训练过程中随机将一些神经元的输出设置为 0，以减少过拟合的风险。我们在模型的构造函数中定义了一个 dropout 层，并在模型的 forward 方法中使用它。在这个示例中，我们将 dropout 的概率设置为 0.5。