# 第一部分：导入模块、定义超参数和模型结构
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import torch.backends.cudnn as cudnn
import numpy as np
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from collections import CounterBATCHSIZE = 100
DOWNLOAD_MNIST = False
EPOCHES = 20
LR = 0.001class CNNNet(nn.Module):def __init__(self):super(CNNNet, self).__init__()self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=5, stride=1)self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)self.conv2 = nn.Conv2d(in_channels=16, out_channels=36, kernel_size=3, stride=1)self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)self.fc1 = nn.Linear(1296, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = self.pool1(F.relu(self.conv1(x)))x = self.pool2(F.relu(self.conv2(x)))x = x.view(-1, 36 * 6 * 6)x = F.relu(self.fc2(F.relu(self.fc1(x))))return xclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 16, 5)self.pool1 = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(16, 36, 5)self.pool2 = nn.MaxPool2d(2, 2)self.aap = nn.AdaptiveAvgPool2d(1)self.fc3 = nn.Linear(36, 10)def forward(self, x):x = self.pool1(F.relu(self.conv1(x)))x = self.pool2(F.relu(self.conv2(x)))x = self.aap(x)x = x.view(x.shape[0], -1)x = self.fc3(x)return xclass LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5)self.conv2 = nn.Conv2d(6, 16, 5)self.fc1 = nn.Linear(16 * 5 * 5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x):out = F.relu(self.conv1(x))out = F.max_pool2d(out, 2)out = F.relu(self.conv2(out))out = F.max_pool2d(out, 2)out = out.view(out.size(0), -1)out = F.relu(self.fc1(out))out = F.relu(self.fc2(out))out = self.fc3(out)return out# 第二部分：数据准备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')print('==> Preparing data..')
transform_train = transforms.Compose([transforms.RandomCrop(32, padding=4),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])transform_test = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=False, transform=transform_train)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=False, transform=transform_test)
testloader = torch.utils.data.DataLoader(testset, batch_size=100, shuffle=False, num_workers=2)classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')# 第三部分：模型、损失函数和优化器定义
print('==> Building model..')
net1 = CNNNet()
net2 = Net()
net3 = LeNet()import torch.optim as optim
LR = 0.001
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)# 第四部分：模型训练
for epoch in range(10):running_loss = 0.0for i, data in enumerate(trainloader, 0):# 获取训练数据inputs, labels = datainputs, labels = inputs.to(device), labels.to(device)# 权重参数梯度清零optimizer.zero_grad()# 正向及反向传播outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()# 显示损失值running_loss += loss.item()if i % 2000 == 1999: # print every 2000 mini-batchesprint('[Epoch: %d, Batch: %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0
print('Finished Training')# 第五部分：显示各层参数
import collections
def params_summary(input_size, model):def register_hook(module):def hook(module, input, output):class_name = str(module.__class__).split('.')[-1].split("'")[0]module_idx = len(summary)m_key = '%s-%i' % (class_name, module_idx + 1)summary[m_key] = collections.OrderedDict()summary[m_key]['input_shape'] = list(input[0].size())summary[m_key]['input_shape'][0] = -1summary[m_key]['output_shape'] = list(output.size())summary[m_key]['output_shape'][0] = -1params = 0if hasattr(module, 'weight'):params += torch.prod(torch.LongTensor(list(module.weight.size())))if module.weight.requires_grad:summary[m_key]['trainable'] = Trueelse:summary[m_key]['trainable'] = Falseif hasattr(module, 'bias'):params += torch.prod(torch.LongTensor(list(module.bias.size())))summary[m_key]['nb_params'] = paramsif not isinstance(module, nn.Sequential) and \not isinstance(module, nn.ModuleList) and \not (module == model):hooks.append(module.register_forward_hook(hook))# check if there are multiple inputs to the networkif isinstance(input_size[0], (list, tuple)):x = [torch.rand(1, *in_size) for in_size in input_size]else:x = torch.rand(1, *input_size)# create propertiessummary = collections.OrderedDict()hooks = []model.apply(register_hook)# make a forward passmodel(x)# remove these hooksfor h in hooks:h.remove()return summary
数据处理与加载
- 数据增强与预处理：
transforms.RandomCrop(32, padding=4)：对图像进行随机裁剪，裁剪后尺寸为 32×32，且在裁剪前在图像四周填充 4 个像素，这样可以增加数据的多样性，减少过拟合。transforms.RandomHorizontalFlip()：以一定概率（默认 0.5）对图像进行水平翻转，进一步扩充训练数据。transforms.ToTensor()：将 PIL 图像或 numpy 数组转换为 PyTorch 张量，并且将图像像素值从 [0,255] 归一化到 [0,1]。transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))：对张量进行标准化，使用 CIFAR10 数据集的均值和标准差，使得数据分布更符合正态分布，有利于模型训练。
- 数据集与数据加载器：
torchvision.datasets.CIFAR10：加载 CIFAR10 数据集，root指定数据集存储路径，train参数区分训练集和测试集，download指定是否下载数据集（这里设为False表示使用本地已下载的数据集），transform指定对数据的预处理操作。torch.utils.data.DataLoader：将数据集包装成可迭代的 DataLoader，batch_size指定每个批次的样本数量，shuffle指定是否在每个 epoch 前打乱数据，num_workers指定用于数据加载的子进程数量，加快数据加载速度。
2. 模型构建
nn.Module基类：所有的 PyTorch 模型都要继承nn.Module类，在__init__方法中定义模型的层结构，在forward方法中定义前向传播逻辑。- 卷积层（
nn.Conv2d）：用于提取图像的局部特征，参数包括in_channels（输入通道数）、out_channels（输出通道数）、kernel_size（卷积核大小）、stride（步长）等。例如nn.Conv2d(3, 16, 5)表示输入通道数为 3，输出通道数为 16，卷积核大小为 5×5，步长为 1。 - 池化层：
nn.MaxPool2d：最大池化层，对输入的特征图进行下采样，保留每个池化窗口中的最大值，减少参数数量和计算量，同时保持特征的主要信息。参数kernel_size为池化窗口大小，stride为池化步长。nn.AdaptiveAvgPool2d：自适应平均池化层，将输入特征图调整到指定的输出尺寸，这里nn.AdaptiveAvgPool2d(1)是将特征图调整为 1×1 的大小，方便后续与全连接层连接。
- 全连接层（
nn.Linear）：将卷积和池化得到的特征进行线性变换，用于分类等任务。参数in_features为输入特征数，out_features为输出特征数，例如nn.Linear(1296, 128)表示输入 1296 个特征，输出 128 个特征。 - 激活函数（
F.relu）：ReLU（Rectified Linear Unit）激活函数，公式为\(f(x)=\max(0,x)\)，可以引入非线性，增加模型的表达能力，解决线性模型无法拟合复杂数据的问题。
3. 模型训练
- 优化器（
optim.SGD）：随机梯度下降优化器，用于更新模型参数以最小化损失函数。参数lr为学习率，控制参数更新的步长；momentum为动量，有助于加速梯度下降过程，特别是在面对局部极小值或鞍点时，能使优化过程更稳定。 - 损失函数（
nn.CrossEntropyLoss）：用于多分类任务的损失函数，它结合了nn.LogSoftmax和nn.NLLLoss（负对数似然损失），计算预测概率分布与真实标签之间的交叉熵损失，公式为\(L=-\sum_{i}y_{i}\log(\hat{y}_{i})\)，其中\(y_{i}\)是真实标签的 one - hot 编码，\(\hat{y}_{i}\)是模型预测的概率。 - 训练循环：
- 外层循环（
epoch循环）：控制训练的轮数，每一轮会遍历整个训练数据集。 - 内层循环（
batch循环）：遍历 DataLoader 中的每个批次数据。 optimizer.zero_grad()：在每次计算梯度前，将优化器中保存的梯度清零，因为 PyTorch 会累积梯度，如果不清零会导致梯度计算错误。outputs = net(inputs)：前向传播，将输入数据传入模型，得到预测输出。loss = criterion(outputs, labels)：计算预测输出与真实标签之间的损失。loss.backward()：反向传播，计算损失关于模型参数的梯度。optimizer.step()：根据计算得到的梯度，更新模型的参数。- 损失监控：通过
running_loss累积每个批次的损失，当达到指定的批次间隔（这里是 2000 个 mini - batches）时，打印损失值，用于观察模型训练过程中损失的变化情况，判断模型是否在收敛。
4. 模型参数查看
- 前向传播钩子（
register_forward_hook）：通过给模型的每个模块注册前向传播钩子函数，在模型前向传播过程中，可以获取每个模块的输入、输出以及参数等信息。 params_summary函数：- 首先处理输入数据的形状，生成随机的输入张量用于前向传播测试。
- 然后通过
model.apply(register_hook)遍历模型的每个模块，为每个模块注册钩子函数。 - 在钩子函数中，记录模块的类名、输入输出形状、可训练性（通过
module.weight.requires_grad判断）以及参数数量（通过计算module.weight和module.bias的元素数量得到）。 - 最后执行前向传播
model(x)，触发钩子函数记录信息，并在结束后移除钩子，避免对后续操作产生影响。通过这个函数可以详细了解模型各层的结构和参数情况，有助于模型的调试和分析。
5. 设备利用
torch.device('cuda' if torch.cuda.is_available() else 'cpu')：检测当前环境是否有可用的 CUDA 设备（即 GPU），如果有则使用 GPU 进行计算，否则使用 CPU。在训练过程中，通过inputs.to(device)和labels.to(device)将数据移动到指定设备，通过net.to(device)将模型移动到指定设备，利用 GPU 的并行计算能力可以显著加快模型训练的速度。
