简单讲解CNN（卷积神经网络）

GeekLiHua

发布于 2025-01-21 12:58:46

12500

代码可运行

文章被收录于专栏：JavaJava

运行总次数：0

代码可运行

简单讲解CNN（卷积神经网络）

卷积神经网络（CNN）是一种强大的深度学习模型，广泛应用于图像处理和计算机视觉任务。

假设我们有一个图像分类任务，需要将图像分为猫和狗两类。我们将使用CNN来训练一个模型，使其能够自动识别图像中的猫和狗。

首先，需要准备训练数据集和测试数据集。训练数据集包含带有标签的图像，标签指示图像是猫还是狗。测试数据集包含未标记的图像，我们将使用训练好的模型来预测这些图像的标签。

接下来，我们定义CNN的结构。CNN由多个卷积层、池化层和全连接层组成。卷积层用于提取图像的特征，池化层用于降低特征图的维度，全连接层用于将提取的特征映射到输出类别。

在这个案例中，可以使用两个卷积层和一个全连接层来构建CNN。每个卷积层包含卷积操作、ReLU激活函数和池化操作。全连接层将提取的特征映射到输出类别。

下面是使用Python和PyTorch库实现CNN的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms

# 定义CNN模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
        self.fc = nn.Linear(32 * 8 * 8, 2)

    def forward(self, x):
        x = self.relu(self.conv1(x))
        x = self.pool(x)
        x = self.relu(self.conv2(x))
        x = self.pool(x)
        x = x.view(-1, 32 * 8 * 8)
        x = self.fc(x)
        return x

# 准备数据集
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('cat', 'dog')

# 初始化模型和优化器
net = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

# 测试模型
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

在上述代码中，首先定义了一个CNN模型，其中包含两个卷积层和一个全连接层。然后，准备了CIFAR-10数据集，并使用SGD优化算法对模型进行了训练。最后，我们使用测试数据集评估了模型的准确率。

通过运行上述代码，将能够训练一个CNN模型，用于图像分类任务，并得到模型在测试数据集上的准确率。

参考文献：

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
PyTorch vs TensorFlow: Which Framework Should You Choose? (https://towardsdatascience.com/pytorch-vs-tensorflow-which-framework-should-you-choose-7b66614f8baf)

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2024-03-01，如有侵权请联系 cloudcommunity@tencent.com 删除

连接