在深度学习(五)-全连接神经网络实现 手写数字分类中，我是用全连接神经网络实现了 手写数字分类，这里我就不再介绍 数据集和数据的处理了，我们直接进入主题，创建卷积神经网络。
网络模型创建
我们可以先创建一个最简单的三层神经网络，两层卷积层，两层池化层，一层全连接层：
class simpleCNN(nn.Module):
def __init__(self):
super(simpleCNN, self).__init__()
self.layer1 = nn.Sequential( # 1, 28, 28
nn.Conv2d(1, 16, 5, 1, 2), # 卷积层,输入深度为1,输出深度16,卷积核5*5,步长1,padding=(kernel_size-1)/2如果stride=1
nn.ReLU(), # 激活层
nn.MaxPool2d(kernel_size=2) # 池化层
) # 输出: 16, 14, 14
self.layer2 = nn.Sequential( # 全连接层
nn.Linear(16*14*14, 10) # 32*7*7
)
def forward(self, x):
x = self.layer1(x)
x = x.view(x.size(0), -1) # 多维展开
output = self.layer2(x)
return output
在全连接神经网络 MINST 手写数字分类中，我们看到一张图片的大小为
，即 深度为
，高度
， 宽度
。
函数中，我们定义输出深度定义为
，卷积核大小定义为
X
，滑动步长定义为
，使输出空间与输入空间相同尺寸，那么可以通过输出空间公式
，得到填充
的数量为
。
卷积层的输出为
，经过激活层
，使用 2X2 的 两层池化层池化，得到池化层输出空间大小为
。那么全连接层的输入空间大小就为
X
X
。
网络创建好之后，我们可以加载网络，看看网络层的参数
model = simpleCNN()
model.parameters
模型训练
模型训练包括优化函数和损失函数都和全连接层实现的是一样，优化函数的学习率设置为 ，不同的学习率会导致训练效果不同，自己根据实际情况调整。 这里我就不贴代码出来了，还不会的童鞋可以参考深度学习(五)-全连接神经网络实现 手写数字分类，我这里同样是将数据集训练 次，直接给大家看看训练的效果：
结果发现准确率只有 ，而且还不稳定。同样将测试集带入测试，看看效果：
测试正确率同样只有 ，效果同样不理想，造成这个原因是因为我们的模型深度太浅，下面我们重新优化一下，忘了哪位大神说的，只要你觉得神经网络的模型效果差，那就多加几层，深度越深，效果一般都会越来越好，我们就来试试。
模型优化
因为电脑配置的原因，我这里只是用了 层网络，每层的输入和输出我都有注释，不懂的小伙伴可以参考上面。
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.layer1 = nn.Sequential( # [1, 28, 28]
nn.Conv2d(1, 16, kernel_size=3), # [16, 26, 26]
nn.BatchNorm2d(16),
nn.ReLU()
)
self.layer2 = nn.Sequential( # [16, 26, 26]
nn.Conv2d(16, 32, kernel_size=3), # [32, 24, 24]
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2) # [32, 12, 12]
)
self.layer3 = nn.Sequential( # [32, 12, 12]
nn.Conv2d(32, 64, kernel_size=3), # [64, 10, 10]
nn.BatchNorm2d(64),
nn.ReLU()
)
self.layer4 = nn.Sequential( # [64, 10, 10]
nn.Conv2d(64, 128, kernel_size=3), # [128, 8, 8]
nn.BatchNorm2d(128),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2) # [128, 4, 4]
)
self.fc = nn.Sequential(
nn.Linear(128*4*4, 1024),
nn.ReLU(),
nn.Linear(1024, 128),
nn.ReLU(),
nn.Linear(128, 10),
)
def forward(self, x):
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = x.view(x.size(0), -1)
output = self.fc(x)
return output
我们同样看看网络层的参数：
model = CNN()
model.parameters
eval_loss = 0
eval_acc = 0
model.eval() # 将模型改为预测模式
for step, (image, label) in enumerate(test_data):
image = Variable(image)
label = Variable(label)
out = model(image)
loss = criterion(out, label)
# 记录误差
eval_loss += loss.data
# 记录准确率
_, pred = out.max(1)
num_correct = (pred == label).sum().item()
acc = num_correct / image.shape[0]
eval_acc += acc
print('Test Loss: {:.6f}, Test Accuracy: {:.6f}'.format(eval_loss/len(test_data), eval_acc/len(test_data)))
