深度学习---卷积神经网络搭建步骤（理论）

1.在pycharm创建合适Python环境，导入所需的库和模块

import torch
import torch.nn as nn

torch.nn包中主要包含了：

1）用来搭建各个层的模块（Modules），比如全连接、二维卷积、池化等；

2）包含了一系列有用的loss函数，这些函数也是在训练神经网络时必不可少的，比如CrossEntropyLoss、MSELoss等；

3）orch.nn.functional子包中包含了常用的激活函数，如relu、leaky_relu、prelu、sigmoid等。

torch.optim包则主要包含了用来更新参数的优化算法，比如SGD、AdaGrad、RMSProp、 Adam.

2.定义卷积神经网络类，继承自 nn.Module：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        # 在此定义网络结构

3.在‘_init_’方法中，定义网络结构，包括卷积层，池化层，全连接层等

//创建卷积层（输入通道，输出通道，卷积核大小）
self.conv1=nn.Conv2d(in_channels,out_chsnnels,kernel_size)
//最大池化层（池化窗口大小，步幅）
self.pool=nn.MaxPool2d(kernel_size,stride)
//全连接层（输入特征数量。输出特征数量）
self.fcl=nn.Linear(in_festures,out_features)

创建卷积层，它会对输入数据进行卷积操作，输出一系列特征图。

创建最大池化层，它将输入特征图的每个窗口中的最大值提取出来，减小了特征图的空间维度，减少计算量。

创建全连接层，也称为密集层，它将输入特征进行线性变换，然后应用激活函数，最终产生输出。

全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来

4.实现‘forward’方法，定义正向传播过程

def forward(self,x):
    x=self.conv1(x)
    x=self.pool(x)
    x=x.view(-1.out_feature)
    x=self.fc1(x)
    return x

5.创建模型实例

model=CNN()

6.定义损失函数和优化器

criterion=nn.CrossEntropyLoss()
optimizer=torch.optim.SGD(model.parameters(),lr=learing_rate)

7.训练和测试

8.补充

1）Epoch：当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次>epoch。（也就是说，所有训练样本在神经网络中都 进行了一次正向传播 和一次反向传播 ）再通俗一点，一个Epoch就是将所有训练样本训练一次的过程。

2）Batch：将整个训练样本分成若干个Batch(批次)

     Batch_Size（批大小）：每批样本的大小。