import torch
import torchvision
from torch import nn
from torch.nn import Conv2d,MaxPool2d,Flatten,Linear,Sequential
from torch.utils.data import DataLoader
from torch.nn import CrossEntropyLoss
dataset = torchvision.datasets.CIFAR10(root="E:\\notebookpytorch\\pyTorch学习\\NN\\data",train = False,
transform = torchvision.transforms.ToTensor(),download = False)
dataloader = DataLoader(dataset,batch_size=1)
class Tudui(nn.Module):
def __init__(self):
super(Tudui,self).__init__()
self.model1= Sequential(
Conv2d(3, 32, 5, padding=2),
MaxPool2d(2),
Conv2d(32,32,5,padding = 2),
MaxPool2d(2),
Conv2d(32,64,5,padding=2),
MaxPool2d(2),
Flatten(),
Linear(1024,64),
Linear(64,10)
)
def forward(self,x):
x = self.model1(x)
数据集入神经网络
最新推荐文章于 2024-08-31 11:43:10 发布
这篇博客介绍了如何使用PyTorch构建一个名为'Tudui'的简单卷积神经网络模型,应用于CIFAR10数据集。首先,加载并预处理CIFAR10数据,然后定义网络结构,包括多个卷积层、最大池化层和全连接层。接着,设置交叉熵损失函数和SGD优化器,进行20轮的训练,每轮中通过反向传播计算损失并更新网络参数。
摘要由CSDN通过智能技术生成