PyTorch搭建卷积神经网络CNN实现MNIST手写数字识别（附代码）

最新推荐文章于 2025-07-06 20:47:05 发布

Bymyself.kk

最新推荐文章于 2025-07-06 20:47:05 发布

阅读量3.4k

点赞数 9

CC 4.0 BY-SA版权

分类专栏： pytorch 文章标签：神经网络 python 卷积深度学习

本文链接：https://blog.csdn.net/yykkkybs/article/details/107084498

本文通过PyTorch构建卷积神经网络（CNN）来识别MNIST手写数字，介绍了nn.Conv2d和nn.MaxPool2d的使用，并提供了完整代码。虽然不深入解释CNN原理，但给出了详细的网络层计算说明。代码运行无需额外参数初始化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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)
在这里插入图片描述
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()

在这里插入图片描述
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