cnn图像识别代码pyCharm

### PyCharm 中实现 CNN 图像识别的 Python 示例代码 为了帮助理解如何在 PyCharm 中构建并训练卷积神经网络 (CNN)，下面提供了一个基于 CIFAR-10 数据集的简单实例。此示例展示了如何加载数据、定义模型架构以及执行训练过程。 #### 安装依赖库 确保已安装必要的包，可以通过 Anaconda 的命令行工具完成： ```bash pip install torch torchvision matplotlib numpy ``` #### 创建项目文件夹结构 建议创建一个新的 PyCharm 项目，并建立如下目录结构来保持良好的组织性： ``` project/ │── data/ # 存储下载的数据集 └── src/ └── cnn_train.py # 主程序脚本 ``` #### 编写 `cnn_train.py` 文件内容 以下是完整的 Python 实现代码用于图像分类任务[^2]： ```python import torch from torch import nn, optim from torchvision import datasets, transforms from torch.utils.data import DataLoader import matplotlib.pyplot as plt class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv_layer = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=32, kernel_size=(3, 3), padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) ) self.fc_layer = nn.Sequential( nn.Linear(32 * 16 * 16, 512), nn.ReLU(), nn.Dropout(p=0.5), nn.Linear(512, 10) ) def forward(self, x): batch_size = x.size(0) x = self.conv_layer(x).view(batch_size, -1) x = self.fc_layer(x) return x def load_data(): transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) trainloader = DataLoader(trainset, batch_size=64, shuffle=True) testloader = DataLoader(testset, batch_size=64, shuffle=False) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') return trainloader, testloader, classes if __name__ == '__main__': device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = SimpleCNN().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) epochs = 5 train_loader, _, _ = load_data() for epoch in range(epochs): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data[0].to(device), data[1].to(device) outputs = model(inputs) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print(f'[Epoch {epoch + 1}, Batch {i + 1}] Loss: %.3f' % (running_loss / 100)) running_loss = 0.0 print('Finished Training.') ``` 上述代码实现了简单的 CNN 架构，并通过 PyTorch 提供的功能完成了对 CIFAR-10 数据集的学习过程。注意这里只进行了少量迭代以便快速展示效果，在实际应用中可能需要调整超参数以获得更好的性能表现。