cnn卷积神经网络pycharm

### 构建和训练 CNN 卷积神经网络 为了在 PyCharm 中构建和训练卷积神经网络 (CNN)，可以遵循以下方法来设置环境并编写代码。 #### 设置开发环境 安装必要的库，如 `torch` 和 `torchvision` 是必不可少的。可以通过命令行工具 pip 来完成安装： ```bash pip install torch torchvision ``` 确保已经配置好 Python 解释器，并且该解释器能够访问上述安装好的包[^1]。 #### 定义 CNN 结构 定义一个继承自 `nn.Module` 的类用于创建 CNN 模型架构。下面是一个简单的例子展示如何定义这样的模型： ```python import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 输入图像通道数为 1（灰度图），输出 6 个特征映射，核大小为 5*5 self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5) # 接下来再加一层卷积层... self.conv2 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5) # 全连接层 self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): # 经过两个卷积层加上最大池化操作 x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool2d(F.relu(self.conv2(x)), 2) # 展平多维张量成二维向量 x = x.view(-1, int(x.nelement() / x.shape[0])) # 进入全连接层 x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 这段代码展示了怎样通过 PyTorch 创建一个基本的 CNN 模型，其中包含了两层卷积以及三层线性变换。 #### 加载数据集与预处理 利用 `torchvision.datasets` 可方便地加载常用的数据集，比如 MNIST 或 CIFAR-10 数据集。对于输入图片尺寸不一致的情况，则需对其进行标准化处理以便于后续运算。 ```python from torchvision import datasets, transforms transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) trainset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) ``` 此部分实现了对 MNIST 手写数字识别任务所需数据集的下载、转换及批量读取功能[^3]。 #### 训练过程 最后一步就是设定损失函数、优化器，并执行迭代更新参数的过程。这里采用交叉熵作为分类问题中的目标函数；Adam 则被选作梯度下降法的一种变体来进行权重调整。 ```python model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters()) for epoch in range(EPOCHS): # EPOCHS 表示遍历整个数据集次数 running_loss = 0.0 for images, labels in trainloader: optimizer.zero_grad() output = model(images) loss = criterion(output, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch+1}, Loss: {running_loss/len(trainloader)}') ``` 以上代码片段完成了单轮次内的前向传播、反向传播直至参数更新的操作循环[^2]。