CNN卷积神经网络，你知道多少？

# PyTorch的主要模块import torch# 用于构建神经网络的模块import torch.nn as nn# 用于定义优化器的模块import torch.optim as optim# 用于对图像进行变换的模块import torchvision.transforms as transforms# 包含了一些常见的数据集，例如MNIST、CIFAR-10等。import torchvision.datasets as datasets

# ===定义卷积神经网络模型# 定义了一个名为Net的类，继承自nn.Module类class Net(nn.Module):    def __init__(self):        # 调用父级的初始化函数        super(Net, self).__init__()        # 定义了一个卷积层，输入通道数为1，输出通道数为32，卷积核大小为3x3。        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)        # 定义了一个最大池化层，池化核大小为2x2，步长为2。        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)        # 定义了另一个卷积层，输入通道数为32，输出通道数为64，卷积核大小为3x3。        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)        # 定义了一个全连接层，输入大小为64x5x5，输出大小为128。        self.fc1 = nn.Linear(64 * 5 * 5, 128)        # 定义了另一个全连接层，输入大小为128，输出大小为10。        self.fc2 = nn.Linear(128, 10)    # 定义了模型的前向传播函数，用于计算输入x的输出。    def forward(self, x):        # 先进行卷积操作，再进行ReLU激活操作，最后进行池化操作。        x = self.pool(nn.functional.relu(self.conv1(x)))        # 同上，再进行一次卷积操作、ReLU激活操作和池化操作。        x = self.pool(nn.functional.relu(self.conv2(x)))        # 将上一层的输出展平成一维向量。        x = x.view(-1, 64 * 5 * 5)        # 进行一次全连接操作，并进行ReLU激活操作。        x = nn.functional.relu(self.fc1(x))        # 进行另一次全连接操作，得到最终的输出。        x = self.fc2(x)        # 返回输出结果        return x

# 加载数据集""""加载MNIST数据集，并进行预处理，将输入图像的像素值进行归一化处理，然后将数据集转换为PyTorch的DataLoader对象，以便进行批量处理。"""# 定义了一个变换transform，先将图像转换为张量，然后对图像的像素值进行归一化处理，使得像素值的范围为[-1,1]。transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])# 定义了一个训练集train_set，使用MNIST数据集，# 指定数据集存储的根目录为'./data'，train=True表示使用训练集，# download=True表示如果数据集不存在，则下载数据集，transform=transform表示对数据集进行预处理。train_set = datasets.MNIST(root='./data', train=True, download=True, transform=transform)# 定义了一个测试集test_set，使用MNIST数据集，指定数据集存储的根目录为'./data'，train=False表示使用测试集，# download=True表示如果数据集不存在，则下载数据集，transform=transform表示对数据集进行预处理。test_set = datasets.MNIST(root='./data', train=False, download=True, transform=transform)# 定义了一个训练集的DataLoader对象train_loader，使用train_set作为数据源，batch_size=64表示每个批次的样本数为64，# shuffle=True表示对数据进行随机打乱。train_loader = torch.utils.data.DataLoader(train_set, batch_size=64, shuffle=True)# 定义了一个测试集的DataLoader对象test_loader，使用test_set作为数据源，# batch_size=64表示每个批次的样本数为64，shuffle=False表示不对数据进行随机打乱。test_loader = torch.utils.data.DataLoader(test_set, batch_size=64, shuffle=False)

# 定义了一个卷积神经网络模型model，使用之前定义的Net类进行初始化。model = Net()# 定义了一个交叉熵损失函数criterion，用于计算模型输出与真实标签之间的损失。criterion = nn.CrossEntropyLoss()# 定义了一个随机梯度下降优化器optimizer，使用model.parameters()获取模型参数，# lr=0.01表示学习率为0.01，momentum=0.9表示使用动量梯度下降法，# 并设置动量参数为0.9。优化器的作用是根据损失函数计算的梯度来更新模型的参数，从而使模型的输出更接近真实标签。optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

# 进行10个epoch的训练for epoch in range(10):    # 将running_loss置为0，用于记录每个epoch的累积损失。    running_loss = 0.0    # 遍历train_loader中的数据，使用enumerate函数获取数据的索引i和数据本身data。    for i, data in enumerate(train_loader, 0):        # 将data中的输入和标签分别赋值给inputs和labels。        inputs, labels = data        # 将优化器的梯度清零，避免梯度累加。        optimizer.zero_grad()        # 将输入数据输入到模型中进行前向传播，得到模型的输出。        outputs = model(inputs)        # 计算模型输出与真实标签之间的损失，使用之前定义的交叉熵损失函数criterion        loss = criterion(outputs, labels)        # 对损失进行反向传播，计算模型参数的梯度。        loss.backward()        # 使用优化器更新模型的参数，以减小损失        optimizer.step()        # 累加当前批次的损失到running_loss中。        running_loss += loss.item()        # 如果遍历了100个批次，则执行下面的代码。        if i % 100 == 99:            # 打印当前epoch和当前批次的平均损失。            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100))            # 将running_loss置为0，用于记录下一个批次的累积损失。            running_loss = 0.0

# =====测试模型# 将正确分类的样本数初始化为0。correct = 0# 将样本总数初始化为0。total = 0# 在测试过程中不需要计算梯度，因此使用torch.no_grad()上下文管理器禁用梯度计算。with torch.no_grad():    # 遍历test_loader中的数据    for data in test_loader:        # 将data中的输入和标签分别赋值给images和labels。        images, labels = data        # 将输入数据输入到模型中进行前向传播，得到模型的输出。        outputs = model(images)        # 返回每个样本在输出中概率最大的类别，并将预测结果赋值给predicted。        _, predicted = torch.max(outputs.data, 1)        # 累加当前批次中的样本数到total中。        total += labels.size(0)        # 计算当前批次中预测正确的样本数，并累加到correct中。        correct += (predicted == labels).sum().item()# 计算模型在测试集上的准确率，并将结果打印出来。print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))

[1,   100] loss: 1.291[1,   200] loss: 0.241[1,   300] loss: 0.162[1,   400] loss: 0.130[1,   500] loss: 0.115[1,   600] loss: 0.102[1,   700] loss: 0.091[1,   800] loss: 0.077[1,   900] loss: 0.074[2,   100] loss: 0.062[2,   200] loss: 0.070[2,   300] loss: 0.060[2,   400] loss: 0.053[2,   500] loss: 0.043[2,   600] loss: 0.053[2,   700] loss: 0.046[2,   800] loss: 0.058[2,   900] loss: 0.051[3,   100] loss: 0.041[3,   200] loss: 0.035[3,   300] loss: 0.037[3,   400] loss: 0.032[3,   500] loss: 0.043[3,   600] loss: 0.043[3,   700] loss: 0.048[3,   800] loss: 0.042[3,   900] loss: 0.029[4,   100] loss: 0.022[4,   200] loss: 0.033[4,   300] loss: 0.031[4,   400] loss: 0.034[4,   500] loss: 0.034[4,   600] loss: 0.032[4,   700] loss: 0.032[4,   800] loss: 0.032[4,   900] loss: 0.021[5,   100] loss: 0.020[5,   200] loss: 0.022[5,   300] loss: 0.020[5,   400] loss: 0.026[5,   500] loss: 0.015[5,   600] loss: 0.028[5,   700] loss: 0.029[5,   800] loss: 0.024[5,   900] loss: 0.028[6,   100] loss: 0.017[6,   200] loss: 0.020[6,   300] loss: 0.019[6,   400] loss: 0.019[6,   500] loss: 0.020[6,   600] loss: 0.027[6,   700] loss: 0.019[6,   800] loss: 0.017[6,   900] loss: 0.018[7,   100] loss: 0.019[7,   200] loss: 0.011[7,   300] loss: 0.011[7,   400] loss: 0.020[7,   500] loss: 0.016[7,   600] loss: 0.013[7,   700] loss: 0.011[7,   800] loss: 0.016[7,   900] loss: 0.017[8,   100] loss: 0.008[8,   200] loss: 0.010[8,   300] loss: 0.016[8,   400] loss: 0.010[8,   500] loss: 0.018[8,   600] loss: 0.012[8,   700] loss: 0.016[8,   800] loss: 0.010[8,   900] loss: 0.012[9,   100] loss: 0.008[9,   200] loss: 0.006[9,   300] loss: 0.010[9,   400] loss: 0.014[9,   500] loss: 0.010[9,   600] loss: 0.010[9,   700] loss: 0.010[9,   800] loss: 0.011[9,   900] loss: 0.012[10,   100] loss: 0.010[10,   200] loss: 0.009[10,   300] loss: 0.014[10,   400] loss: 0.006[10,   500] loss: 0.005[10,   600] loss: 0.007[10,   700] loss: 0.011[10,   800] loss: 0.009[10,   900] loss: 0.016Accuracy of the network on the 10000 test images: 99 %