首先需要对CNN网络理解，如果还不清楚卷积神经网络的可以去看，这里不做介绍https://blog.csdn.net/v_JULY_v/article/details/51812459 大神的超详细解析！ https://blog.csdn.net/sinat_42239797/article/details/90646935主要介绍的是各层的计算及原理
卷积层：nn.Conv2d(in_channels,out_channels,kernel_size,stride,padding) 表中后面有些参数不常用，主要是前三个的设置。 这里说一下计算： 池化层：nn.MaxPool2d()
一般来说会把池化窗口大小设为2。
下面给出完整代码的一个例子：
""" 作者：Troublemaker 功能： 版本： 日期：2020/4/5 19:57 脚本：cnn.py """ import torch import torch.nn as nn import torch.utils.data as Data import torchvision import matplotlib.pyplot as plt torch.manual_seed(1) # 设置超参数 epoches = 2 batch_size = 50 learning_rate = 0.001 # 搭建CNN class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() # 继承__init__功能 ## 第一层卷积 self.conv1 = nn.Sequential( # 输入[1,28,28] nn.Conv2d( in_channels=1, # 输入图片的高度 out_channels=16, # 输出图片的高度 kernel_size=5, # 5x5的卷积核，相当于过滤器 stride=1, # 卷积核在图上滑动，每隔一个扫一次 padding=2, # 给图外边补上0 ), # 经过卷积层 输出[16,28,28] 传入池化层 nn.ReLU(), nn.MaxPool2d(kernel_size=2) # 经过池化 输出[16,14,14] 传入下一个卷积 ) ## 第二层卷积 self.conv2 = nn.Sequential( nn.Conv2d( in_channels=16, # 同上 out_channels=32, kernel_size=5, stride=1, padding=2 ), # 经过卷积 输出[32, 14, 14] 传入池化层 nn.ReLU(), nn.MaxPool2d(kernel_size=2) # 经过池化 输出[32,7,7] 传入输出层 ) ## 输出层 self.output = nn.Linear(in_features=32*7*7, out_features=10) def forward(self, x): x = self.conv1(x) x = self.conv2(x) # [batch, 32,7,7] x = x.view(x.size(0), -1) # 保留batch, 将后面的乘到一起 [batch, 32*7*7] output = self.output(x) # 输出[50,10] return output # 下载MNist数据集 train_data = torchvision.datasets.MNIST( root="./mnist/", # 训练数据保存路径 train=True, transform=torchvision.transforms.ToTensor(), # 数据范围已从(0-255)压缩到(0,1) download=False, # 是否需要下载 ) # print(train_data.train_data.size()) # [60000,28,28] # print(train_data.train_labels.size()) # [60000] # plt.imshow(train_data.train_data[0].numpy()) # plt.show() test_data = torchvision.datasets.MNIST(root="./mnist/", train=False) print(test_data.test_data.size()) # [10000, 28, 28] # print(test_data.test_labels.size()) # [10000, 28, 28] test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255 test_y = test_data.test_labels[:2000] # 装入Loader中 train_loader = Data.DataLoader(dataset=train_data, batch_size=batch_size, shuffle=True, num_workers=3) def main(): # cnn 实例化 cnn = CNN() print(cnn) # 定义优化器和损失函数 optimizer = torch.optim.Adam(cnn.parameters(), lr=learning_rate) loss_function = nn.CrossEntropyLoss() # 开始训练 for epoch in range(epoches): print("进行第{}个epoch".format(epoch)) for step, (batch_x, batch_y) in enumerate(train_loader): output = cnn(batch_x) # batch_x=[50,1,28,28] # output = output[0] loss = loss_function(output, batch_y) optimizer.zero_grad() loss.backward() optimizer.step() if step % 50 == 0: test_output = cnn(test_x) # [10000 ,10] pred_y = torch.max(test_output, 1)[1].data.numpy() # accuracy = sum(pred_y==test_y)/test_y.size(0) accuracy = ((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0)) print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.numpy(), '| test accuracy: %.2f' % accuracy) test_output = cnn(test_x[:10]) pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze() print(pred_y) print(test_y[:10]) if __name__ == "__main__": main()注意 ：对于参数初始化的问题，在pytorch中，有自己默认初始化参数方式，所以在你定义好网络结构以后，不进行参数初始化也是可以的。 但如果想要初始化，可以参考如下：
def initNetParams(net): '''Init net parameters.''' for m in net.modules(): if isinstance(m, nn.Conv2d): init.xavier_uniform(m.weight) if m.bias: init.constant(m.bias, 0) elif isinstance(m, nn.BatchNorm2d): init.constant(m.weight, 1) init.constant(m.bias, 0) elif isinstance(m, nn.Linear): init.normal(m.weight, std=1e-3) if m.bias: init.constant(m.bias, 0) initNetParams(net)