文章目录
一、网络模型的搭建
以CIFAR10数据集作为训练例子
准备数据集：
bash
#因为CIFAR10是属于PRL的数据集，所以需要转化成tensor数据集
train_data = torchvision.datasets.CIFAR10(root="./data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor(),download=True)查看数据集的长度：
bash
train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"训练数据集的长度为{train_data_size}")
print(f"测试数据集的长度为{test_data_size}")运行结果：
利用DataLoader来加载数据集：
bash
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)搭建CIFAR10数据集神经网络：
卷积层【1】代码解释：
#第一个数字3表示inputs（可以看到图中为3），第二个数字32表示outputs（图中为32）
#第三个数字5为卷积核（图中为5），第四个数字1表示步长（stride）
#第五个数字表示padding，需要计算，计算公式：
bash
nn.Conv2d(3, 32, 5, 1, 2)最大池化代码解释：
#数字2表示kernel卷积核
bash
nn.MaxPool2d(2)读图
卷积层【1】的Inputs 和 Outputs是下图这两个：
最大池化【1】的Inputs 和 Outputs是下图这两个：
卷积层【2】的Inputs 和 Outputs是下图这两个：
以此类推
展平：
Flatten后它会变成64*4 *4的一个结果
线性输出：
线性输入是64*4 *4，线性输出是64，故如下代码
nn.LInear(64 *4 *4,64)
继续线性输出
nn.LInear(64,10)
搭建网络完整代码：
bash
class Sen(nn.Module):
def __init__(self):
super(Sen, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1 ,2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self,x):
x = self.model(x)
return x二、网络模型正确性检验
bash
if __name__ == '__main__':
sen = Sen()
input = torch.ones((64, 3, 32, 32))
output = sen(input)
print(output.shape)注释：
bash
input = torch.ones((64, 3, 32, 32))这一行代码的含义是：创建一个大小为 (64, 3, 32, 32) 的全 1 张量，数据类型为 torch.float32。
64：这是批次大小，代表输入有 64 张图片。
3：这是图片的通道数，通常为 RGB 图像的三个通道 (红、绿、蓝)。
32, 32：这是图片的高和宽，表示每张图片的尺寸为 32x32 像素。
torch.ones 函数用于生成一个全 1 的张量，这里的张量形状适合用于输入图像分类或卷积神经网络（CNN）中常见的 CIFAR-10 或类似的 32x32 像素图像数据。
运行结果：
可以得到成功变成了【64， 10】的结果。
三、创建网络函数
创建网络模型：
bash
sen = Sen()搭建损失函数：
bash
loss_fn = nn.CrossEntropyLoss()优化器：
bash
learning_rate = 1e-2
optimizer = torch.optim.SGD(sen.parameters(), lr=learning_rate)优化器注释：
使用随机梯度下降（SGD）优化器
learning_rate = 1e-2 这里的1e-2代表的是：1 x （10）^(-2) = 1/100 = 0.01
记录训练的次数:
bash
total_train_step = 0记录测试的次数:
bash
total_test_step = 0训练的轮数:
bash
epoch= 10进行循环训练：
bash
for i in range(epoch):
print(f"第{i+1}轮训练开始")
for data in train_dataloader:
imgs, targets = data
outputs = sen(imgs)
loss = loss_fn(outputs, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
print(f"训练次数：{total_train_step}，Loss：{loss.item()}")注释：
imgs, targets = data是解包数据，imgs 是输入图像，targets 是目标标签（真实值）
outputs = sen(imgs)将输入图像传入模型 'sen'，得到模型的预测输出 outputs
loss = loss_fn(outputs, targets)计算损失值（Loss），loss_fn 是损失函数，它比较outputs的值与targets 是目标标签（真实值）的误差
optimizer.zero_grad()清除优化器中上一次计算的梯度，以免梯度累积
loss.backward()反向传播，计算损失相对于模型参数的梯度
optimizer.step()使用优化器更新模型的参数，以最小化损失
loss.item() 将张量转换为 Python 的数值
loss.item演示：
bash
import torch
a = torch.tensor(5)
print(a)
print(a.item())运行结果：
因此可以得到：item的作用是将tensor变成真实数字5
本章节完整代码展示：
bash
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
class Sen(nn.Module):
def __init__(self):
super(Sen, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1 ,2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self,x):
x = self.model(x)
return x
#准备数据集
#因为CIFAR10是属于PRL的数据集，所以需要转化成tensor数据集
train_data = torchvision.datasets.CIFAR10(root="./data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor(),download=True)
#length长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"训练数据集的长度为{train_data_size}")
print(f"测试数据集的长度为{test_data_size}")
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)
sen = Sen()
#损失函数
loss_fn = nn.CrossEntropyLoss()
#优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(sen.parameters(), lr=learning_rate)
#记录训练的次数
total_train_step = 0
#记录测试的次数
total_test_step = 0
#训练的轮数
epoch= 10
for i in range(epoch):
print(f"第{i+1}轮训练开始")
for data in train_dataloader:
imgs, targets = data
outputs = sen(imgs)
loss = loss_fn(outputs, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
print(f"训练次数：{total_train_step}，Loss：{loss.item()}")运行结果：
可以看到训练的损失函数在一直进行修正。