卷积神经网络目前被广泛地用在图片识别上, 已经有层出不穷的应用, 如果你对卷积神经网络充满好奇心，这里为你带来pytorch实现cnn一些入门的教程代码
#首先导入包
import torch
from torch.autograd import Variable
import torch.nn as nn
import torchvision
import torch.utils.data as Data
#一、数据准备
#训练数据：用了torchvision.datasets.MNIST，root是文件路径，train为True（这是训练数据），transform是把图像数据转换为张量，download（如果本地已有该文件选择false，没有就选择true）
train_data = torchvision.datasets.MNIST(root=’./mnist/’,train=True,transform=torchvision.transforms.ToTensor(),download=False)
#训练数据：同上，train为False（这是测试数据）
test_data = torchvision.datasets.MNIST(root=’./mnist/’,train=False)
# “训练数据加载器”：dataset为训练数据，shuflle为打乱数据的顺序，batch_size是让数据50个为一组
train_loader = Data.DataLoader(dataset=train_data,shuffle=True,batch_size=50)
test_data.test_data.size()
torch.Size([10000, 28, 28])
#测试数据 test_data下的test_data为测试数据，因为下面conv2d输入的为4维数据，所以此处用torch.unsqueeze升维
test_x = Variable(torch.unsqueeze(test_data.test_data,dim=1),volatile=True).type(torch.FloatTensor)
#测试数据目标值
test_y = test_data.test_labels
#二、实现模型
class CNN(nn.Module):
def __init__(self):
super(CNN,self).__init__()
#conv2d参数：输入1维，输出16维，5个卷积核（kernel），步长（stride）为1，padding是2（如果想要 con2d 出来的图片长宽没有变化, padding=(kernel_size-1)/2 当 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参数：输入维数，输出分的种类数
self.out = nn.Linear(32*7*7,10)
def forward(self,x):
x1 = self.conv1(x)
x2 = self.conv2(x1)
#这里给x3降为2维可以让linear函数使用
x3 = x2.view(x2.size(0),-1)
out = self.out(x3)
return out
#自动调整参数，最优化模型
cnn = CNN()
optimizer = torch.optim.Adam(cnn.parameters(),lr = 0.02)
loss_func = nn.CrossEntropyLoss()
#三、训练模型
for step,(x,y) in enumerate(train_loader):
x = Variable(x)
y = Variable(y)
out = cnn(x)
loss = loss_func(out,y)
#以下为固定操作，为了训练每一条数据，不断调整参数
optimizer.zero_grad()
loss.backward()
optimizer.step()
#四、测试
predict = cnn(test_x[:10])
res = torch.max(predict,1)[1]
res #测试数据
tensor([7, 2, 1, 0, 4, 1, 4, 9, 9, 9])
test_y[:10] #真实数据
tensor([7, 2, 1, 0, 4, 1, 4, 9, 5, 9])
#在这里我们发现前十个数据分类准确率达到90
