基于pytorch的CNN实现

基于PyTorch实现卷积神经网络（Convolutional Neural Network, CNN）通常涉及以下几个步骤：

1. **导入库**：首先需要导入必要的库，如`torch`, `torch.nn`（用于构建网络结构），以及`torch.optim`（优化器）等。

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

2. **定义网络结构**：创建一个继承自`nn.Module`的类，里面包含卷积层、池化层、全连接层等组件。例如，你可以有多个卷积块，每个块包含一个或多个卷积层和非线性激活函数（如ReLU）。

class ConvNet(nn.Module):
    def __init__(self, num_classes):
        super(ConvNet, self).__init__()
        
        # 添加卷积层，池化层和dropout层
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.dropout = nn.Dropout(p=0.5)

        # 添加更多卷积层和池化层...
        # 最终添加一个全连接层
        self.fc = nn.Linear(in_features=last_output_dim, out_features=num_classes) 

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = self.dropout(x)   # 可能省略 dropout

        # 扩展到整个网络结构
        return self.fc(x)

3. **初始化网络**：创建网络实例，并设置随机权重。

model = ConvNet(num_classes=10)

4. **训练循环**：定义优化器（如SGD、Adam等）、损失函数（如交叉熵），并进行前向传播、计算损失、反向传播和更新权重。

optimizer = optim.SGD(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

# 训练过程...
for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad()    # 清零梯度
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()