卷积神经网络|完整代码实现

对于如何加载数据，在前面的文章中已经我们已经学会，那么接下来，就是要搭建卷积神经网络，并对网络进行训练，使其可以完成一些功能。

通常，训练一个神经网络需要这些步骤：

1. 定义一个神经网络

2. 准备一个可迭代的数据集

3. 将数据集输入到神经网络进行处理

4. 计算损失

5. 通过梯度下降算法更新参数

好吧，明白大致步骤之后，就可以简单实现一个神经网络，并训练这个神经网络，使它可以用来完成一些超酷的事。so amazing!

import torch import torchvisionimport torchvision.transforms as transformsimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optim
train_set = torchvision.datasets.FashionMNIST(    root = 'FashionMNIST/',    train = True,    download = True,    transform = transforms.Compose([        transforms.ToTensor()    ]))
test_set = torchvision.datasets.FashionMNIST(    root = 'FashionMNIST/',    train = False,    download = True,    transform = transforms.Compose([        transforms.ToTensor()    ]))
# 创建网络class Network(nn.Module):    def __init__(self):        super(Network,self).__init__()        self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)        self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)        self.fc1 = nn.Linear(in_features= 12*4*4, out_features=120)        self.fc2 = nn.Linear(in_features= 120, out_features=60)        self.out = nn.Linear(in_features=60, out_features=10)
    def forward(self, t):        t = t        t = F.relu(self.conv1(t))        t = F.max_pool2d(t, kernel_size =2, stride=2)        t = F.relu(self.conv2(t))        t = F.max_pool2d(t, kernel_size=2, stride=2)        t = t.reshape(-1, 12*4*4)        t = F.relu(self.fc1(t))        t = F.relu(self.fc2(t))        t = self.out(t)        return t
network = Network()
if torch.cuda.is_available:    network=network.cuda()
train_loader = torch.utils.data.DataLoader(train_set, batch_size=100)test_loader=torch.utils.data.DataLoader(test_set, batch_size=100)
optimizer = optim.Adam(network.parameters(), lr=0.01)
for epoch in range(10):    total_loss = 0    total_correct = 0    for batch in train_loader:   # Get batch        images, labels =batch        if torch.cuda.is_available:            images=images.cuda()            labels=labels.cuda()
        optimizer.zero_grad()  #告诉优化器把梯度属性中权重的梯度归零，否则pytorch会累积梯度        preds = network(images)        loss = F.cross_entropy(preds, labels)        loss.backward()        optimizer.step()
        total_loss += loss.item()        _,prelabels=torch.max(preds,dim=1)        total_correct += (prelabels==labels).sum().item()    accuracy = total_correct/len(train_set)    print("Epoch:%d  ,  Loss:%f  , Accuracy:%f "%(epoch,total_loss,accuracy))
#测试模型correct=0total=0network.eval()with torch.no_grad():    for batch in test_loader:        imgs,labels=batch        if torch.cuda.is_available:            imgs=imgs.cuda()            labels=labels.cuda()        preds=network(imgs)        _,prelabels=torch.max(preds,dim=1)        #print(prelabels.size())        total=total+labels.size(0)        correct=correct+int((prelabels==labels).sum())    #print(total)    accuracy=correct/total????print("Accuracy:?",accuracy)

环境：jupyter notebook

好吧，代码看起来似乎有点长，但其逻辑还是比较清晰的，我们可以很容易在代码中找到训练神经网络的对应的五个步骤.

明白整体逻辑很重要，然后再注重细节，这是一种可以快速学习知识的方法。

具体的细节大致有这些：每个层参数的设置，卷积核的大小，有无填充，步长，激活函数，损失函数，池化层等等当然，这是后话！

再次回顾我们的代码结构：

1. 定义一个神经网络

2. 准备一个可迭代的数据集

3. 将数据集输入到神经网络进行处理

4. 计算损失

5. 通过梯度下降算法更新参数

那么到了这里，你已经有一个可以完成预测目标的神经网络了，请确保此网络在你的电脑上能运行起来！这样会对代码有更深的理解，赶紧打开电脑试试吧！