pytorch学习之我的第一个卷积神经网络训练

前言

最近自学pytorch，训练了卷积神经网络，写个博客记录一下，希望能够给初学者带来一点帮助，不对之处也希望大佬能够指正，共同学习进步。

卷积神经网络介绍

相信大噶对于卷积神经网络都有一定的了解，不熟悉的可以查看博客卷积神经网络进行学习。
一般来说卷积神经神经网络包含：输入层、卷积层、激活函数、池化层、全连接层。其作用简而言之就是：不断进行特征的提取和压缩，最终能得到比较高层次特征。然后，利用最后一层特征可以做各种任务：比如分类、回归等。
一般步骤就是：

1. 定义一个模型；
2. 预处理输入数据；
3. 训练模型；
4. 参数优化；
5. 模型测试

1、CIFAR10分类

CNN模型

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 输入图片为3通道，6个filter,卷积核为5*5，pad默认0，stride默认1
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    # input->卷积->激活->池化->卷积->激活->池化->特征展平->全连接->激活->全连接->激活->全连接->输出
    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.v