pytorch卷积神经网络多卷积核实现手写数字的识别 代码

以下是一个使用PyTorch实现手写数字识别的卷积神经网络，其中包括多个卷积层和全连接层。

import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
from torchvision import datasets, transforms

# 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*5
        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*5
        self.fc1 = nn.Linear(16 * 4 * 4, 120) # 全连接层，输入大小为16*4*4，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 = nn.functional.relu(self.conv1(x)) # 卷积层1，使用relu激活函数
        x = nn.functional.max_pool2d(x, 2) # 最大池化层，池化核大小为2*2
        x = nn.functional.relu(self.conv2(x)) # 卷积层2，使用relu激活函数
        x = nn.functional.max_pool2d(x, 2) # 最大池化层，池化核大小为2*2
        x = x.view(-1, 16 * 4 * 4) # 展开成一维向量
        x = nn.functional.relu(self.fc1(x)) # 全连接层1，使用relu激活函数
        x = nn.functional.relu(self.fc2(x)) # 全连接层2，使用relu激活函数
        x = self.fc3(x) # 输出层，不使用激活函数
        return x

# 加载数据
train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,
                                                          transform=transforms.Compose([
                                                              transforms.ToTensor(),
                                                              transforms.Normalize((0.1307,), (0.3081,))
                                                          ])),
                                           batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=False, transform=transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])), batch_size=64, shuffle=True)

# 定义模型和优化器
model = Net()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

# 训练模型
def train(epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = Variable(data), Variable(target)
        optimizer.zero_grad()
        output = model(data)
        loss = nn.functional.cross_entropy(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.data.item()))

# 测试模型
def test():
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data, target = Variable(data, volatile=True), Variable(target)
        output = model(data)
        test_loss += nn.functional.cross_entropy(output, target, size_average=False).data.item()
        pred = output.data.max(1, keepdim=True)[1]
        correct += pred.eq(target.data.view_as(pred)).cpu().sum()

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

# 运行训练和测试
for epoch in range(1, 11):
    train(epoch)
    test()

在这个模型中，我们使用了两个卷积层和三个全连接层。在每个卷积层中，我们使用了多个卷积核，以增加模型的表达能力。在训练阶段，我们使用随机梯度下降（SGD）优化器，以最小化交叉熵损失函数。在测试阶段，我们计算了模型在测试集上的准确率。