PyTorch 是一个用于深度学习的开源机器学习库,它提供了丰富的工具和组件,使得实现卷积神经网络(Convolutional Neural Network,CNN)等深度学习模型变得相对简单。下面是一个简单的 PyTorch CNN 深度学习示例,演示了如何定义、训练和评估一个基本的 CNN 模型。
首先,确保你已经安装了 PyTorch:
pip install torch torchvision
然后,以下是一个简单的 PyTorch CNN 示例:
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
from torchvision import transforms, datasets
# 定义 CNN 模型
class SimpleCNN(nn.Module):
def __init__(self):
super(SimpleCNN, self).__init__()
self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
self.pool = nn.MaxPool2d(2, 2)
self.fc1 = nn.Linear(64 * 16 * 16, 512)
self.fc2 = nn.Linear(512, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 64 * 16 * 16)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
# 加载 CIFAR-10 数据集
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)
# 初始化模型、损失函数和优化器
net = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(5): # 迭代 5 次
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 2000 == 1999: # 每 2000 批次打印一次损失值
print(f'[{epoch + 1}, {i + 1}] loss: {running_loss / 2000:.3f}')
running_loss = 0.0
print('Finished Training')
# 保存模型
torch.save(net.state_dict(), 'simple_cnn.pth')
这个简单的示例使用了 CIFAR-10 数据集,定义了一个包含两个卷积层和两个全连接层的 CNN 模型。模型在训练集上进行了简单的训练,并将模型参数保存到了 simple_cnn.pth
文件中。
请注意,这只是一个基础示例,实际中你可能需要更复杂的模型和更大规模的数据集。根据具体的任务需求,你还可以进行更多的模型调优、数据增强、学习率调整等操作。