一个经典的AI例子是使用卷积神经网络(Convolutional Neural Network,CNN)进行图像分类。以下是一个简单的例子,使用PyTorch和一个包含卷积层、池化层和全连接层的小型CNN模型,对手写数字进行识别。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 定义简单的CNN模型
class SimpleCNN(nn.Module):
def __init__(self, num_classes=10):
super(SimpleCNN, self).__init__()
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
self.relu = nn.ReLU()
self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
self.fc1 = nn.Linear(64 * 7 * 7, num_classes)
def forward(self, x):
x = self.conv1(x)
x = self.relu(x)
x = self.pool(x)
x = self.conv2(x)
x = self.relu(x)
x = self.pool(x)
x = x.view(x.size(0), -1)
x = self.fc1(x)
return x
# 数据转换
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))
])
# 加载MNIST数据集
train_dataset = datasets.MNIST(root="./data", train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
# 初始化模型、损失函数和优化器
model = SimpleCNN(num_classes=10)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
num_epochs = 5
for epoch in range(num_epochs):
for images, labels in train_loader:
optimizer.zero_grad()
outputs = model(images.unsqueeze(1)) # 在通道维度添加一个维度
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
print(f"Epoch {epoch + 1}/{num_epochs}, Loss: {loss.item()}")
# 保存模型
torch.save(model.state_dict(), "simple_cnn_model.pth")
# 模型保存后,可以加载并进行推理
# model.load_state_dict(torch.load("simple_cnn_model.pth"))
# model.eval()
# 这里可以添加推理代码
这个例子使用了MNIST数据集,一个包含手写数字(0-9)的数据集。模型在每个 epoch 中使用训练数据进行训练,然后保存了训练好的模型参数。你可以根据自己的需求更改模型结构、数据集,或者使用更复杂的模型进行训练。