PyTorch中CNN深度学习的快速上手！

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。