pytorch 搭建cnn
时间: 2024-04-26 16:19:13 浏览: 12
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:
```python
import torch
import torch.nn as nn
import torch.optim as optim
```
2. 定义CNN模型的结构:
```python
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:
```python
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:
```python
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。