【神经网络-数据分类】利用卷积神经网络（CNN）对数据进行分类

ZhuojunChen

于 2021-05-21 10:25:56 发布

阅读量6.6k

点赞数 2

分类专栏：数据挖掘神经网络文章标签：神经网络数据挖掘

本文链接：https://blog.csdn.net/qq_39332551/article/details/117110088

版权

本文探讨了在处理大量高维且复杂关系的数据集时，如何利用卷积神经网络（CNN）进行有效的分类任务。通过介绍CNN的结构，结合Adam优化器和交叉熵损失函数，阐述了模型训练过程。同时，提供了评估模型预测效果的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对于数据量大，维度高，且难以找到数据之间内在关系的数据集，可以尝试用卷积神经网络对数据进行分类。

以下为卷积神经网络数据分类的大致结构，采用Adam作为优化器，交叉熵作为损失函数。

import torch
import torch.nn as nn
from torch.utils.data.dataset import Dataset
from torch.utils.data import DataLoader

class CipvCNN(nn.Module):
    def __init__(self):
        super(CipvCNN,self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1,
                out_channels=16,
                kernel_size=3,
                stride=1,
                padding=1,#padding=(kernel_size-1)/2
            ),#输入数据维度1*20*4，此时数据维度为16*20*4
            nn.ReLU(),
        )
        self.conv2=nn.Sequential(
            nn.Conv2d(16,32,3,1,1),
            nn.ReLU(),#此时数据维度为32*20*4

最低0.47元/天解锁文章