使用Pytorch搭建CNN

原创 已于 2025-02-09 10:16:32 修改 · 2.5w 阅读 · 391 ·
CC 4.0 BY-SA版权
本文为博主原创文章，未经博主允许不得转载，听见没。
文章标签：

#CNN #pytorch

于 2019-04-08 23:06:44 首次发布
了解本专栏 订阅专栏 解锁全文 超级会员免费看
使用PyTorch搭建CNN神经网络
WRWEREWRET的博客
07-15 1万+
使用pytorch搭建CNN神经网络卷积运算的基本原理单层卷积运算valid convolutionsame convolutionCNN的基本结构数据输入层卷积层池化层全连接层数据导入的实现构建基础的CNN网络网络的设计损失函数和优化器训练函数和测试函数实现CNN网络的训练和测试Googlenet的实现网络框架Resnet的实现网络框架 卷积运算的基本原理 单层卷积运算 valid convolution 所谓卷积运算就是一个卷积核[也称为过滤器]对指定大小的矩阵进行卷积的过程，具体运算方式如下图所示：
Pytorch构建CNN模型
o6eceici的博客
05-26 1743
1.不平衡问题 不平衡程度相同的两个问题，其难易程度不一定相同。难易程度还与数据集大小相关。可以把问题的难易程度排序：分布均衡的大数据<分布不均衡的大数据<分布均匀的小数据<分布不均匀的小数据。说明:对于小数据集,机器学习的方法是比较棘手的。 经验表明，训练数据中每个类别有5000个以上样本，其实也要相对于特征而言，来判断样本数目是不是足够，数据量是足够的，正负样本差一个数量级以...
【深度学习基础】详解Pytorch搭建CNN卷积神经网络LeNet-5实现手写数字识别
热门推荐
Bossfrank的博客
06-19 1万+
本文相熟了卷积神经网络CNN的原理，并介绍了如何使用PyTorch框架搭建卷积神经网络模型CNN。实现了LeNet-5的模型的搭建、模型训练、测试、网络的复用、直观查看数据集的图片预测结果等，完成了机器学习领域的Hello world——手写数字识别。
雅可比矩阵（Jacobian Matrix）
最新发布
servepeople的博客
12-05 849
摘要： 雅可比矩阵是多元函数的偏导数矩阵，用于描述多输入多输出函数的局部变化率。它将每个输出对每个输入的偏导数组织成m×n矩阵（m输出，n输入），是梯度的多维扩展。通过实例计算（如2输入2输出函数）和TensorFlow代码演示（tf.GradientTape），可直观理解其结构。在机器学习中，雅可比矩阵支撑反向传播、优化算法（如牛顿法）及生成模型（VAE/GAN），是自动微分和局部线性化的核心工具。简言之，雅可比矩阵是“多输出函数的导数表格”，梯度是其单行特例。
基于pytorch搭建CNN
2303_77275067的博客
10-24 1639
self.conv1 = nn.Sequential( # 输入大小(1,28,28)nn.Conv2d(in_channels=1, # 灰度图out_channels=16, # 得到的特征图的个数（也是使用卷积核的个数）kernel_size=5, # 卷积核的大小stride=1, # 步长padding=2, # 边缘填充，如果希望得到的特征图大小和原来一样，那么padding=(kernel_size-1)/2 if stride = 1),nn.ReLU(),
面向对象编程的方式搭建CNN网络 | PyTorch系列（十三）
zero的博客
05-22 1481
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”重磅干货，第一时间送达文 |AI_study从我们深度学习项目的高层视角或概括的角度来看，我们准备了数据，现在，我...
从零开始教你用Pytorch搭建CNN模型
m0_64096844的博客
04-04 6990
Pytorch环境搭建、数据集加载、模型搭建，模型训练套路与技巧以及模型测试，小白一看就会，快速上手搭建属于自己的模型
使用PyTorch搭建CNN神经网络实现的猫狗识别项目源代码+数据集+训练好的模型文件
03-24
使用PyTorch搭建CNN神经网络实现的猫狗识别项目源代码+数据集+训练好的模型文件使用PyTorch搭建CNN神经网络实现的猫狗识别项目源代码+数据集+训练好的模型文件使用PyTorch搭建CNN神经网络实现的猫狗识别项目源代码+...
精选资源
使用PyTorch搭建CNN神经网络的猫狗识别项目源代码+数据集+训练好的模型+博客说明
12-11
使用PyTorch搭建CNN神经网络的猫狗识别项目源代码+数据集+训练好的模型+博客说明使用PyTorch搭建CNN神经网络的猫狗识别项目源代码+数据集+训练好的模型+博客说明使用PyTorch搭建CNN神经网络的猫狗识别项目源代码+...
使用 Pytorch 搭建 CNN 模型训练手势数据集并以 PyQt5 构建 GUI 界面实现实时检测反馈
09-11
本研究项目借助 Pytorch 这一深度学习框架，成功构建出一个结构相对简洁的 CNN（卷积神经网络）模型。在模型训练阶段，研究人员采用了包含三种手势动作的数据集，这三种手势具体为石头、剪刀与布，此外该数据集还...
精选资源
基于PyTorch搭建CNN实现视频动作分类任务 有数据有代码 可直接运行 数据
05-22
通过这个项目，你不仅可以学习到如何使用PyTorch搭建和训练CNN，还能理解如何处理视频数据以及如何将CNN应用于动作识别。这是一个很好的实践案例，可以帮助你深入理解和应用深度学习技术在实际问题中。
pytorch搭建CNN
01-06
1.直接 import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 1 input image channel, 6 output channels, 3x3 square convolution # kernel self.conv1 = nn.Conv2d(1, 6, 3) self.conv2 = nn.Co
PyTorch使用MNIST数据集创建CNN
05-18
PyTorch创建的CNN网络，并使用MNIST数据集训练网络，适用于Pytorch新手以及刚接触CNN的朋友
Pytorch搭建基本CNN
GerinT的博客
09-02 384
import torch import torch.nn as nn %%神经网络模块 from torchvision import datasets, transforms %% torchvision是外围库 transforms.ToTensor() %%转换成张量 提过一个数据集迭代器控制训练： train_loader = torch.utils.data.Dataloader( train_dataset, batch_size = 64, %%取2^n，例如32 shuffle = tru
pytorch(一)一个简单的CNN搭建
程序猿的视界
01-12 2239
pytorch(一)一个简单的神经网络搭建 1、输入预处理 2、特征提取（CNN） 4、损失函数 3、分类器分类 输入形式【batch，channel，H,W】 卷积、激活、池化、BN、dropout层 通常上下两层的特征图尺寸相差1倍，可以通过设置pooling层 网络构建：需要设定每层网络的相关参数inchannel,outchannel,kernel_size、padding、stride等 输入数据维度为W*W kernelsize：F×F stride：S ...
基于Pytorch实现CNN
vivi_cin的博客
02-04 1554
pytorch实现CNN
PyTorch搭建CNN网络之Pytorch
yu_xiao_you的博客
07-25 1378
PyTorch介绍 所有的伟大，源于一个勇敢的开始！ 1.Pytorch是什么？ PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用   Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他
Pytorch-6：建立一个CNN
Ztomepic的博客
01-16 482
继承 nn.Module ，建立一个 network class 在 network class 的构造函数中定义== layers 为 类的属性（attributes）== 用 layers 属性和 nn.functional 的方法来定义forward() torch.nn.Module 类 神经网络 和 神经网络的layers 都继承自 torch.nn.module 。 forward...
使用pytorch搭建CNN
02-28
### 使用 PyTorch 构建卷积神经网络 (CNN) 构建卷积神经网络(CNN)涉及定义模型架构、准备数据集以及训练过程。下面是一个简单的例子来展示如何使用PyTorch创建并训练一个用于MNIST手写数字识别任务的CNN。 #### 定义 CNN 模型 首先导入必要的库，并定义一个继承自`nn.Module`类的新类，该类代表了整个网络结构： ```python import torch from torch import nn, optim import torchvision.transforms as transforms import torchvision.datasets as datasets class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1) self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0) self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1) # 全连接层 self.fc1 = nn.Linear(32 * 7 * 7, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = self.pool(torch.relu(self.conv2(x))) x = x.view(-1, 32 * 7 * 7) # 展平张量 x = torch.relu(self.fc1(x)) x = self.fc2(x) return x ``` 此代码片段展示了怎样通过组合多个卷积层(`Conv2d`)和最大池化操作(`MaxPool2d`)来设计特征提取器部分；接着利用两层全连接层完成分类工作[^3]。 #### 数据预处理与加载 为了能够顺利地输入到上述定义好的CNN中去，在实际应用之前还需要对原始图像做一定的变换处理： ```python transform = transforms.Compose([ transforms.ToTensor(), # 将PIL Image转换成tensor形式 ]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) ``` 这里采用了标准的数据增强方法——即将图片转化为张量格式以便于后续计算[^1]。 #### 设置优化器与损失函数 接下来设置好用来更新权重参数的学习算法（即优化器），还有衡量预测结果好坏的标准（即损失函数）。对于多类别分类问题而言，交叉熵通常是个不错的选择： ```python model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` #### 开始训练循环 最后一步就是编写训练逻辑，迭代遍历所有批次的数据来进行前向传播、反向传播及参数调整： ```python for epoch in range(num_epochs): # 对整个数据集重复num_epochs次 running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/(i+1)}') ``` 以上便是基于PyTorch框架搭建简单版CNN的整体流程概述。
评论 29
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

羊城迷鹿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值