卷积神经网络回归python

卷积神经网络（Convolutional Neural Network，CNN）是一种在图像识别和计算机视觉任务中广泛应用的深度学习模型。它通过卷积层、池化层和全连接层等组件来提取图像的特征，并进行分类或回归等任务。

以下是一个使用PyTorch实现卷积神经网络回归模型的示例：

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

# 定义卷积神经网络模型
class CNNRegressor(nn.Module):
    def __init__(self):
        super(CNNRegressor, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(16 * 8 * 8, 1)

    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.fc1(x)
        return x

# 创建模型实例
model = CNNRegressor()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('Epoch %d, Loss: %.3f' % (epoch+1, running_loss))

# 使用模型进行预测
inputs = torch.randn(1, 3, 32, 32)  # 输入数据的维度为[batch_size, channels, height, width]
outputs = model(inputs)
print('Prediction:', outputs.item())

在上述示例中，我们首先定义了一个名为`CNNRegressor`的卷积神经网络模型，该模型包含了卷积层、激活函数、池化层和全连接层等组件。然后，我们使用MSE损失函数和随机梯度下降（SGD）优化器来训练模型。最后，我们使用模型进行预测。