pytorch中cnn

PyTorch 中的 CNN（卷积神经网络 Convolutional Neural Network）是一种深度学习模型，特别适用于处理图像、视频等数据，因为它们能有效地提取局部特征并进行空间不变性的学习。在 PyTorch 中，你可以通过 `torch.nn` 模块中的各种卷积层模块来构建 CNN，如：

1. `nn.Conv2d`：这是最基本的二维卷积层，用于处理图像数据，接受输入通道数、滤波器数量、输入尺寸和步长等参数。

2. `nn.MaxPool2d`：用于下采样，降低特征图的空间维度，通常紧跟在卷积层之后，可以减少计算量。

3. `nn.BatchNorm2d`：批量归一化层，对每一小批的数据进行标准化，有助于加速训练过程。

4. `nn.ReLU` 或 `nn.LeakyReLU`：激活函数，比如常用的是 ReLU（Rectified Linear Unit），它会将负值置零，而正值保持不变。

5. `nn.ConvTranspose2d` 或 `nn.Upsample`：反卷积层或上采样操作，用于在一定程度上恢复原始分辨率。

在实际应用中，通常会包含全连接层（例如 `nn.Linear`）、Dropout 层用于防止过拟合，以及损失函数和优化器来构成完整的 CNN 模型。例如：

import torch
from torch import nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )
        
        self.fc = nn.Sequential(
            nn.Linear(128 * 8 * 8, 1024),   # 计算输出维度
            nn.ReLU(),
            nn.Dropout(p=0.5),
            nn.Linear(1024, num_classes)    # 根据任务调整类别数
        )

    def forward(self, x):
        x = self.conv(x)
        x = x.view(-1, 128 * 8 * 8)       # 转换为一维向量供全连接层使用
        x = self.fc(x)
        return x