pytorch 搭建cnn

PyTorch是一个开源的深度学习框架，它提供了丰富的工具和库，用于构建和训练神经网络模型。下面是使用PyTorch搭建卷积神经网络（CNN）的一般步骤：

1. 导入必要的库和模块：

import torch
import torch.nn as nn
import torch.optim as optim

2. 定义CNN模型的结构：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size)
        self.fc = nn.Linear(in_features, out_features)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

在这个例子中，我们定义了一个简单的CNN模型，包含了一个卷积层、ReLU激活函数、池化层和全连接层。

3. 实例化模型和定义损失函数与优化器：

model = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

在这里，我们使用交叉熵损失函数和随机梯度下降（SGD）优化器。

4. 进行训练和测试：

for epoch in range(num_epochs):
    # 训练模型
    model.train()
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    # 测试模型
    model.eval()
    with torch.no_grad():
        correct = 0
        total = 0
        for images, labels in test_loader:
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    accuracy = 100 * correct / total
    print('Epoch [{}/{}], Accuracy: {:.2f}%'.format(epoch+1, num_epochs, accuracy))

在训练过程中，我们使用训练数据对模型进行反向传播和参数更新，然后使用测试数据评估模型的准确率。