一、網(wǎng)絡(luò)模型的搭建

以CIFAR10數(shù)據(jù)集作為訓(xùn)練例子

準(zhǔn)備數(shù)據(jù)集：

#因?yàn)镃IFAR10是屬于PRL的數(shù)據(jù)集，所以需要轉(zhuǎn)化成tensor數(shù)據(jù)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)

查看數(shù)據(jù)集的長(zhǎng)度：

train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"訓(xùn)練數(shù)據(jù)集的長(zhǎng)度為{train_data_size}")
print(f"測(cè)試數(shù)據(jù)集的長(zhǎng)度為{test_data_size}")

運(yùn)行結(jié)果：

利用DataLoader來(lái)加載數(shù)據(jù)集：

train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)

搭建CIFAR10數(shù)據(jù)集神經(jīng)網(wǎng)絡(luò)：

卷積層【1】代碼解釋：
#第一個(gè)數(shù)字3表示inputs（可以看到圖中為3），第二個(gè)數(shù)字32表示outputs（圖中為32）
#第三個(gè)數(shù)字5為卷積核（圖中為5），第四個(gè)數(shù)字1表示步長(zhǎng)（stride）
#第五個(gè)數(shù)字表示padding，需要計(jì)算，計(jì)算公式：

nn.Conv2d(3, 32, 5, 1, 2)

最大池化代碼解釋：
#數(shù)字2表示kernel卷積核

nn.MaxPool2d(2)

讀圖
卷積層【1】的Inputs 和 Outputs是下圖這兩個(gè)：

最大池化【1】的Inputs 和 Outputs是下圖這兩個(gè)：

卷積層【2】的Inputs 和 Outputs是下圖這兩個(gè)：

以此類推

展平：

Flatten后它會(huì)變成64*4 *4的一個(gè)結(jié)果

線性輸出：

線性輸入是64*4 *4，線性輸出是64，故如下代碼
nn.LInear(64 *4 *4,64)

繼續(xù)線性輸出

nn.LInear(64,10)

搭建網(wǎng)絡(luò)完整代碼：

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、網(wǎng)絡(luò)模型正確性檢驗(yàn)

if __name__ == '__main__':sen = Sen()input = torch.ones((64, 3, 32, 32))output = sen(input)print(output.shape)

注釋：

input = torch.ones((64, 3, 32, 32))

這一行代碼的含義是：創(chuàng)建一個(gè)大小為 (64, 3, 32, 32) 的全 1 張量，數(shù)據(jù)類型為 torch.float32。
64：這是批次大小，代表輸入有 64 張圖片。
3：這是圖片的通道數(shù)，通常為 RGB 圖像的三個(gè)通道 (紅、綠、藍(lán))。
32, 32：這是圖片的高和寬，表示每張圖片的尺寸為 32x32 像素。
torch.ones 函數(shù)用于生成一個(gè)全 1 的張量，這里的張量形狀適合用于輸入圖像分類或卷積神經(jīng)網(wǎng)絡(luò)（CNN）中常見(jiàn)的 CIFAR-10 或類似的 32x32 像素圖像數(shù)據(jù)。

運(yùn)行結(jié)果：

可以得到成功變成了【64， 10】的結(jié)果。

三、創(chuàng)建網(wǎng)絡(luò)函數(shù)

創(chuàng)建網(wǎng)絡(luò)模型：

sen = Sen()

搭建損失函數(shù)：

loss_fn = nn.CrossEntropyLoss()

優(yōu)化器：

learning_rate = 1e-2
optimizer = torch.optim.SGD(sen.parameters(), lr=learning_rate)

優(yōu)化器注釋：
使用隨機(jī)梯度下降（SGD）優(yōu)化器
learning_rate = 1e-2 這里的1e-2代表的是：1 x （10）^(-2) = 1/100 = 0.01

記錄訓(xùn)練的次數(shù):

total_train_step = 0

記錄測(cè)試的次數(shù):

total_test_step = 0

訓(xùn)練的輪數(shù):

epoch= 10

進(jìn)行循環(huán)訓(xùn)練：

for i in range(epoch):print(f"第{i+1}輪訓(xùn)練開(kāi)始")for data in train_dataloader:imgs, targets = dataoutputs = sen(imgs)loss = loss_fn(outputs, targets)optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1print(f"訓(xùn)練次數(shù)：{total_train_step}，Loss：{loss.item()}")

注釋：
imgs, targets = data是解包數(shù)據(jù)，imgs 是輸入圖像，targets 是目標(biāo)標(biāo)簽（真實(shí)值）
outputs = sen(imgs)將輸入圖像傳入模型 ‘sen’，得到模型的預(yù)測(cè)輸出 outputs
loss = loss_fn(outputs, targets)計(jì)算損失值（Loss），loss_fn 是損失函數(shù)，它比較outputs的值與targets 是目標(biāo)標(biāo)簽（真實(shí)值）的誤差
optimizer.zero_grad()清除優(yōu)化器中上一次計(jì)算的梯度，以免梯度累積
loss.backward()反向傳播，計(jì)算損失相對(duì)于模型參數(shù)的梯度
optimizer.step()使用優(yōu)化器更新模型的參數(shù)，以最小化損失
loss.item() 將張量轉(zhuǎn)換為 Python 的數(shù)值
loss.item演示：

import torch
a = torch.tensor(5)
print(a)
print(a.item())

運(yùn)行結(jié)果：

因此可以得到：item的作用是將tensor變成真實(shí)數(shù)字5

本章節(jié)完整代碼展示：

import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoaderclass 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
#準(zhǔn)備數(shù)據(jù)集
#因?yàn)镃IFAR10是屬于PRL的數(shù)據(jù)集，所以需要轉(zhuǎn)化成tensor數(shù)據(jù)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長(zhǎng)度
train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"訓(xùn)練數(shù)據(jù)集的長(zhǎng)度為{train_data_size}")
print(f"測(cè)試數(shù)據(jù)集的長(zhǎng)度為{test_data_size}")train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)sen = Sen()#損失函數(shù)
loss_fn = nn.CrossEntropyLoss()#優(yōu)化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(sen.parameters(), lr=learning_rate)#記錄訓(xùn)練的次數(shù)
total_train_step = 0
#記錄測(cè)試的次數(shù)
total_test_step = 0
#訓(xùn)練的輪數(shù)
epoch= 10for i in range(epoch):print(f"第{i+1}輪訓(xùn)練開(kāi)始")for data in train_dataloader:imgs, targets = dataoutputs = sen(imgs)loss = loss_fn(outputs, targets)optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1print(f"訓(xùn)練次數(shù)：{total_train_step}，Loss：{loss.item()}")

運(yùn)行結(jié)果：

可以看到訓(xùn)練的損失函數(shù)在一直進(jìn)行修正。