深度学习入门2-用pytorch构建一个卷积神经网络的必要步骤

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

今天和大家分享一个我测试过了的用pytorch构建的神经网络，希望这是我的脚买入深度学习的大门的第一步

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、构建一个卷积神经网络的步骤

1构建一个网络类对象，对象中一定要包括初始化函数、向前传播函数; 2实例化类对象，向网络中传入数据，改变参数; 3求损失; 4优化器进行参数优化; 5误差反向传播;

二、代码实现

1.引入库

代码如下（示例）：

import torcn
import torch.nn as nn
import torch.nn.functional as F

2.构建网络类对象

代码如下（示例）：

#定义网络类
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        #定义第一层卷积层，输入维度=1，输出维度=6，卷积核大小3*3
        self.conv1=nn.Conv2d(1,6,3)
        #定义第二层卷积层，输入维度=6，输出维度=16，卷积核大小3*3
        self.conv2=nn.Conv2d(6,16,3)
        #定义三层全连接神经网络
        self.fc1=nn.Linear(17280,120)
        self.fc2=nn.Linear(120,64)
        self.fc3=nn.Linear(64,1)

    def forward(self,x):
        #注意任意卷积层后面要加激活层和池化层
        x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
        x=F.max_pool2d(F.relu(self.conv2(x)),2)
        #经过卷积层的处理后，张量进入全连接层，进入前需要调整张量的形状
        x=x.view(-1,self.num_flat_feature(x))
        x=F.relu(self.fc1(x))
        x=F.relu(self.fc2(x))
        x=self.fc3(x).squeeze(1)
        return x

    def num_flat_feature(self,x):
        size=x.size()[1:]
        num_features=1
        for s in size:
            num_features*=s
        return num_features

3.实例化类对象，调整网络内部参数

代码如下（示例）：

net=Net()  #实例化类对象

input=torch.randn(1,1,128,150)  #conv2d的输入需要是一个四维的张量
print(input.size())
out=net(input)
print(out)
print(out.size())  #输出的维度则是由全连接层最后一层的维度决定的

#input[1, 1, 128, 150]->conv1poll[1, 6, 63, 74]->conv2pool[1, 16, 30, 36]->view[1, 17280]->linear1relu[1, 120]->linear2relu[1,64]->linear3relu[1]
#上面这样的维度确定是打开相应层所得到的output.size()
#通过卷积层的维度，第二个由卷积层的输入决定；第三第四由池化部分的参数决定，该值为input/pool参数-1；
#线性层只要输入和输出相对应就好

4.求损失

代码如下（示例）：

target=torch.randn(1)
print(target)
print(target.size())  #target和out的size需要对应，不然就要通过view来转换
criterion=nn.MSELoss()
loss=criterion(out,target)

5.构建优化器

代码如下（示例）：

import torch.optim as optim  #导入优化器的包
optimizer=optim.SGD(net.parameters(),lr=0.01)  #构建优化器
optimizer.zero_grad()  #优化器的梯度清零

6.误差反向传播

代码如下（示例）：

loss.backward()  #误差反向传播
optimizer.step()  #优化器更新网络参数

---

总结

就到这里啦，使用pytorch构建的一个简单的conv2d的神经网络，之后应该还会以一个实际例子来总结训练、模型保存和加载、以及测试的部分。写博客的第二天，希望之后能坚持，最好能以这个频率坚持下去，加油加油！！