PyTorch 中卷积神经网络的实现

我们使用深度神经网络对无尽的数据集进行分类，我们发现它不能最好地对我们的数据进行分类。 当我们使用深度神经网络时，模型精度不够，模型可以改进。 这种改进将在卷积神经网络的帮助下完成。 让我们开始实现我们的卷积神经网络，用于图像识别。

以下是实现用于图像识别的 CNN 的步骤

步骤 1

第一步，我们将定义该类，该类将用于创建我们的神经模型实例。 CNN 模型包括 LeNet 模型、AlexNet 模型、ZFNet 模型 和 GoogleNet 模型。 这些模型的复杂性和性能不断提高，我们将使用 LeNet 模型。 此模型简单有效，足以对无尽的数据集进行准确分类。

LeNet 模型 看起来像

该类将继承自 nn 模块，因此我们首先必须导入 nn 包。

我们的类后面将跟着一个 init() 方法。 在 init() 方法中，第一个参数始终是 self。

步骤 2

在第二步中，我们回顾 init() 方法，以提供各种方法和属性。 我们将使用四个输入参数初始化卷积层，即输入通道数（它是一个输入层，因此我们将使用 1 个输入通道）、输出通道数（我们将使用 20 个输出通道以实现有效的特征提取）、内核大小（我们将使用 5 作为内核大小）和步长（我们使用 1 作为步长，因为如果我们选择较大的步长，则会导致提取效果降低）。 我们将把整个命令解包到一个变量中，并附加到我们类中的 self 对象。

同样，我们将定义我们的下一个卷积层，并将相应地调整其参数。

步骤 3

在下一步中，我们将使用带有适当参数的 nn.Linear() 定义我们的两个完全连接的层。

第一个卷积会将输入图像的尺寸从 28 x 28 减小到 24 x 24。然后，数据将通过一个 2 x 2 的池化层，该层会缩小图像的尺寸，并将其转换为 12 x 12。下一个卷积层会将 12 x 12 图像的尺寸减小到 8 x 8 图像。 另一个 5 x 5 的池化层会将 8 x 8 图像的尺寸缩小为 4 x 4 图像。 因此，将传递到第一个完全连接的层中的输入通道将为 4450 和 500 个输出通道作为第二个参数。

同样，我们将通过相应地调整其参数来定义第二个完全连接的层。

步骤 4

现在，我们将在前向函数中定义每个层的池化层和激活函数，但在执行此操作之前，我们将导入 torch.nn.functional 包，然后我们将使用 forward() 函数并将 self 作为第一个参数，并将 x 用于我们将尝试进行预测的任何输入。

现在，我们将定义我们的 relu 函数并连接到我们的第一个卷积层，然后我们将借助带有适当参数的 max_pool2d() 定义池化层。

第一个参数将是前馈 x 值，接下来的两个参数将定义最大池化内核的大小，并将解包到 x 变量中。

同样，此过程将对我们的第二个卷积和池化层执行。

步骤 5

在下一步中，我们将设置我们的模型构造函数。 无需在初始化程序中传递任何内容。 所以

我们的 CNN 模型已实现，现在，我们将讨论其在 CNN 实现中的实现

完整代码