PyTorch 卷积神经网络简介

Convents 就是从头开始构建 CNN 模型。网络架构将包含以下步骤的组合：

• Conv2d
• MaxPool2d
• 整流线性单元
• View
• 线性层

训练模型

训练模型与图像分类问题的过程相同。以下代码片段完成了在提供的数据集上训练模型的过程：

def fit(epoch,model,data_loader,phase 
= 'training',volatile = False):
    if phase == 'training':
        model.train()
    if phase == 'training':
        model.train()
    if phase == 'validation':
        model.eval()
    volatile=True
    running_loss = 0.0
    running_correct = 0
    for batch_idx , (data,target) in enumerate(data_loader):
        if is_cuda:
            data,target = data.cuda(),target.cuda()
            data , target = Variable(data,volatile),Variable(target)
        if phase == 'training':
            optimizer.zero_grad()
            output = model(data)
            loss = F.nll_loss(output,target)
            running_loss + =
            F.nll_loss(output,target,size_average =
            False).data[0]
            preds = output.data.max(dim = 1,keepdim = True)[1]
            running_correct + =
            preds.eq(target.data.view_as(preds)).cpu().sum()
            if phase == 'training':
                loss.backward()
                optimizer.step()
    loss = running_loss/len(data_loader.dataset)
    accuracy = 100. * running_correct/len(data_loader.dataset)
    print(f'{phase} loss is {loss:{5}.{2}} and {phase} accuracy is {running_correct}/{len(data_loader.dataset)}{accuracy:{return loss,accuracy}})

该方法包括用于训练和验证的不同逻辑。使用不同模式的主要原因有两个：

• 在训练模式下，dropout 会删除一定百分比的值，这在验证或测试阶段不应该发生。

• 对于训练模式，我们计算梯度并更改模型的参数值，但在测试或验证阶段不需要反向传播。