卷積神經網絡目前被廣泛地用在圖片識別上, 已經有層出不窮的應用, 如果你對卷積神經網絡充滿好奇心，這里為你帶來pytorch實現cnn一些入門的教程代碼
#首先導入包
import torch
from torch.autograd import Variable
import torch.nn as nn
import torchvision
import torch.utils.data as Data
#一、數據准備
#訓練數據：用了torchvision.datasets.MNIST，root是文件路徑，train為True（這是訓練數據），transform是把圖像數據轉換為張量，download（如果本地已有該文件選擇false，沒有就選擇true）
train_data = torchvision.datasets.MNIST(root='./mnist/',train=True,transform=torchvision.transforms.ToTensor(),download=False)
#訓練數據：同上，train為False（這是測試數據）
test_data = torchvision.datasets.MNIST(root='./mnist/',train=False)
# "訓練數據加載器"：dataset為訓練數據，shuflle為打亂數據的順序，batch_size是讓數據50個為一組
train_loader = Data.DataLoader(dataset=train_data,shuffle=True,batch_size=50)
test_data.test_data.size()
torch.Size([10000, 28, 28])
#測試數據 test_data下的test_data為測試數據，因為下面conv2d輸入的為4維數據，所以此處用torch.unsqueeze升維
test_x = Variable(torch.unsqueeze(test_data.test_data,dim=1),volatile=True).type(torch.FloatTensor)
#測試數據目標值
test_y = test_data.test_labels
#二、實現模型
class CNN(nn.Module):
def __init__(self):
super(CNN,self).__init__()
#conv2d參數：輸入1維，輸出16維，5個卷積核（kernel），步長（stride）為1，padding是2（如果想要 con2d 出來的圖片長寬沒有變化, padding=(kernel_size-1)/2 當 stride=1）
self.conv1 = nn.Sequential(nn.Conv2d(1,16,5,1,2),nn.ReLU(),nn.MaxPool2d(2))
self.conv2 = nn.Sequential(nn.Conv2d(16,32,5,1,2),nn.ReLU(),nn.MaxPool2d(2))
#Linear參數：輸入維數，輸出分的種類數
self.out = nn.Linear(32*7*7,10)
def forward(self,x):
x1 = self.conv1(x)
x2 = self.conv2(x1)
#這里給x3降為2維可以讓linear函數使用
x3 = x2.view(x2.size(0),-1)
out = self.out(x3)
return out
#自動調整參數，最優化模型
cnn = CNN()
optimizer = torch.optim.Adam(cnn.parameters(),lr = 0.02)
loss_func = nn.CrossEntropyLoss()
#三、訓練模型
for step,(x,y) in enumerate(train_loader):
x = Variable(x)
y = Variable(y)
out = cnn(x)
loss = loss_func(out,y)
#以下為固定操作，為了訓練每一條數據，不斷調整參數
optimizer.zero_grad()
loss.backward()
optimizer.step()
#四、測試
predict = cnn(test_x[:10])
res = torch.max(predict,1)[1]
res #測試數據
tensor([7, 2, 1, 0, 4, 1, 4, 9, 9, 9])
test_y[:10] #真實數據
tensor([7, 2, 1, 0, 4, 1, 4, 9, 5, 9])
#在這里我們發現前十個數據分類准確率達到90