卷积神经网络（CNN）使用PyTorch实现卷积神经网络对CIFAR-10数据集进行图片分类（代码➕注释）

目录

一、CNN概述

二、CNN网络结构

三、CNN常见名词

四、使用PyTorch实现卷积神经网络对CIFAR-10数据集进行图片分类

一、CNN概述

        卷积神经网络 ( Convolutional Neural Network，CNN) 作为人工神经网络中一种常见的深度学习架构，该网络是受到生物自然视觉认知机制启发而来，是一种特殊的多层前馈神经网络， CNN 是由简单的神经网络改进而来，使用卷积层和池化层替代全连接层结构，卷积层能够有效地将图像中的各种特征提取出并生成特征图。广泛应用于图像识别、图像分类等领域 ，具有良好的扩展性和鲁棒性，截至目前，CNN 的深度呈不断增加的趋势。

        CNN在图像分类识别中要做的事情是：给定一张图片，图片中是牛还是马不知道，是什么牛也不知道，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是牛的话，那是什么牛？

【1】鲁棒性也称作健壮性（英语：Robustness）：一个系统或组织有抵御或克服不利条件的能力。鲁棒性则常被用来描述可以面对复杂适应系统的能力，需要更全面的对系统进行考虑。

二、CNN网络结构

1）输入层（Input layer），众多神经元（Neuron）接受大量非线形输入讯息。输入的讯息称为输入向量。

2）卷积层：是一块一块地来进行比对。它拿来比对的这个“小块”我们称之为Features，每一个feature就像是一个小图，对图像和滤波矩阵做内积（逐个元素相乘再求和）的操作就是所谓的“卷积”操作，也是卷积神经网络的名字来源。

【1】卷积：滤波器filter与数据窗口做内积（在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据）

3）池化pool层：保留主要的特征，进一步删减冗余参数，提高特征提取效率。池化，简言之，即取区域平均或最大。

5）全连接层：就是把特征整合到一起（高度提纯特征），方便交给最后的分类器或者回归。

三、CNN常见名词

1）感受野：某一个输出层的一个元素对应输入层的区域大小，被称为感受野，即输出层的一个元素在输入层上的映射区域。

2）激活函数：常用的非线性激活函数有sigmoid、tanh、relu等等，前两者sigmoid/tanh比较常见于全连接层，后者relu常见于卷积层。

四、使用PyTorch实现卷积神经网络对CIFAR-10数据集进行图片分类

主要步骤是:

1. 加载和预处理CIFAR-10数据集
2. 定义卷积神经网络 ConvNet 模型
3. 定义交叉熵损失函数和SGD优化器
4. 训练模型50个epoch
5. 打印训练损失并完成训练

import torch 
import torch.nn as nn 
import torch.nn.functional as F 
import torchvision 
import torchvision.transforms as transforms
import matplotlib.pyplot as plt# 训练数据
transform = transforms.Compose([transforms.ToTensor(),     # 转为tensortransforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])   # 归一化trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)    # 测试数据    
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False)  classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')# 卷积神经网络定义
class ConvNet(nn.Module):def __init__(self):super(ConvNet, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5)self.pool = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(6, 16, 5)self.fc1 = nn.Linear(16 * 5 * 5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x):x = self.pool(F.relu(self.conv1(x)))    # 2层卷积池化x = self.pool(F.relu(self.conv2(x)))    # 2层卷积池化x = x.view(-1, 16 * 5 * 5)x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)return xmodel = ConvNet()
criterion = nn.CrossEntropyLoss()       # 损失函数定义
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)   # 优化器定义# 训练网络
for epoch in range(50):   # 50个epochrunning_loss = 0.0for i, data in enumerate(trainloader, 0):   # 遍历训练集inputs, labels = dataoptimizer.zero_grad()    # 梯度清零outputs = model(inputs)  # 神经网络前向传播loss = criterion(outputs, labels)    # 计算损失loss.backward()         # 反向传播optimizer.step()        # 更新参数running_loss += loss.item() # 累加损失loss = running_loss/len(trainset) # 打印Lossprint(f'Epoch {epoch+1}, Loss: {loss}') print('Finished Training')