用Pytorch实现一个用于MNIST手写数字识别的卷积神经网络（CNN）类

本文链接：https://blog.csdn.net/weixin_64123373/article/details/132253084

class CNNMnist(nn.Module):
    def __init__(self, args):
        super(CNNMnist, self).__init__()
        self.conv1 = nn.Conv2d(args.num_channels, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, args.num_classes)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, x.shape[1]*x.shape[2]*x.shape[3])
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

初始化部分 `init`：

super(CNNMnist, self).__init__(): 与之前一样，这调用基类nn.Module的构造函数。
self.conv1 = nn.Conv2d(args.num_channels, 10, kernel_size=5): 第一层卷积层，接受args.num_channels个通道，输出10个特征图，并使用5x5的卷积核。
self.conv2 = nn.Conv2d(10, 20, kernel_size=5): 第二层卷积层，接受10个通道，输出20个特征图，并使用5x5的卷积核。
self.conv2_drop = nn.Dropout2d(): 二维Dropout层，可以在训练过程中随机设置一部分特征图为零，以防止过拟合。
self.fc1 = nn.Linear(320, 50): 第一个全连接层，有320个输入单元和50个输出单元。
self.fc2 = nn.Linear(50, args.num_classes): 第二个全连接层，有50个输入单元和args.num_classes个输出单元，通常等于分类任务中的类别数。

前向传播部分 `forward`：

x = F.relu(F.max_pool2d(self.conv1(x), 2)): 应用第一层卷积，然后执行最大池化，池化窗口大小为2，并使用ReLU激活函数。
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2)): 应用第二层卷积，然后应用2D Dropout，再进行最大池化，最后使用ReLU激活函数。
x = x.view(-1, x.shape[1]*x.shape[2]*x.shape[3]): 改变张量的形状，以适应全连接层。
x = F.relu(self.fc1(x)): 通过第一个全连接层并应用ReLU激活函数。
x = F.dropout(x, training=self.training): 应用Dropout。
x = self.fc2(x): 通过第二个全连接层。
return F.log_softmax(x, dim=1): 应用对数Softmax激活函数，并返回网络的最终输出。