Python写一个卷积神经网络

以下是一个简单的 Python 卷积神经网络的示例：

import torch
import torch.nn as nn

# 定义卷积神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)  # 输入通道数为1，输出通道数为6，卷积核大小为5
        self.pool = nn.MaxPool2d(2, 2)  # 最大池化层，窗口大小为2，步长为2
        self.conv2 = nn.Conv2d(6, 16, 5) # 输入通道数为6，输出通道数为16，卷积核大小为5
        self.fc1 = nn.Linear(16 * 5 * 5, 120) # 全连接层，输入大小为16 * 5 * 5，输出大小为120
        self.fc2 = nn.Linear(120, 84) # 全连接层，输入大小为120，输出大小为84
        self.fc3 = nn.Linear(84, 10) # 全连接层，输入大小为84，输出大小为10

    def forward(self, x):
        x = self.pool(nn.functional.relu(self.conv1(x)))
        x = self.pool(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)  # 展开成一维向量
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 实例化模型
net = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

在这个示例中，我们使用了 PyTorch 框架来定义卷积神经网络模型，并使用交叉熵损失函数和随机梯度下降优化器来训练模型。其中，我们使用了 `nn.Conv2d` 来定义卷积层，`nn.MaxPool2d` 来定义池化层，`nn.Linear` 来定义全连接层。在训练时，我们使用了 `optimizer.zero_grad()` 来清空梯度，`loss.backward()` 来计算梯度，`optimizer.step()` 来更新参数。