pytorch实现卷积神经网络实例

import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision.transforms as transforms
#归一化
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
#加载数据
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=False, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=4)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=False, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=4)
#定义CIFAR10分类器
classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
#定义网络
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        self.conv1=nn.Conv2d(3,6,5)#第一个卷积层
        self.pool=nn.MaxPool2d(2,2)#池化函数
        self.conv2=nn.Conv2d(6,16,5)#第二个卷积层
        self.fc1=nn.Linear(16*5*5,120)#第一个全连接层
        self.fc2=nn.Linear(120,84)#第二个全连接层
        self.fc3=nn.Linear(84,10)#第三个全连接层
    def forward(self,x):
        x=self.pool(F.relu(self.conv1(x)))#第一次卷积后池化
        x=self.pool(F.relu(self.conv2(x)))#第二次卷积后池化
        x=x.view(-1,16*5*5)#调整张量的空间结构，与全连接层连接
        x=F.relu(self.fc1(x))#第一层全连接层
        x=F.relu(self.fc2(x))#第二层全连接层
        x=self.fc3(x)#第三层全连接层
        return x

if __name__=="__main__":
    net=Net()#生成网络
    criterion=nn.CrossEntropyLoss()#定义交叉熵损失函数
    optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)#优化函数
    for epoch in range(2):#迭代训练
        running_loss=0.0
        for i,data in enumerate(trainloader,0):#为可遍历对象生成索引
            inputs,lable=data
            optimizer.zero_grad()#初始化梯度
            output=net(inputs)
            loss=criterion(output,lable)#计算交叉熵
            loss.backward()#反馈
            optimizer.step()#迭代
            running_loss+=loss.item()
            if i % 2000==1999:
                print('[%d,%5d] loss:%.3f'%(epoch+1,i+1,running_loss/2000))
    print("Finished Training")
    correct=0
    total=0
    with torch.no_grad():#测试集传播反馈梯度
        for data in trainloader:
            images,lables=data
            output=net(images)
            num,predict=torch.max(output.data,1)
            total+=lables.size(0)
            correct+=(predict==lables).sum().item()
        print('Accuracy of the network on the 10000 test images: %d %%' % (
                    100 * correct / total))

 如果在函数中没有使用 if __name__=="__main__" 则将 num_workers 的参数值设为0【使用主线程计算】，否则会出现运行时错误。