目錄

一、從代碼看 CNN 的核心組件

二、準備工作：庫導入與數據加載

三、核心：用代碼實現 CNN 并理解各層作用

1.網絡層結構

2.重點理解：卷積層參數與輸出尺寸計算

四、訓練 CNN

五、結果分析

---

卷積神經網絡（CNN）是計算機視覺領域的核心模型，相比全連接網絡，它能更高效地提取圖像特征。本文不空談理論，而是通過 PyTorch 代碼實現一個完整的 CNN 模型，帶你在實戰中理解卷積、池化等核心概念，掌握 CNN 的工作原理。

---

一、從代碼看 CNN 的核心組件

在實現模型前，先明確 CNN 的三個核心層 —— 這些是區別于全連接網絡的關鍵，后續代碼會逐一對應：

1. 卷積層（Conv2d）：通過滑動窗口提取局部特征（如邊緣、紋理）；
2. 激活層（ReLU）：引入非線性，讓模型學習復雜模式；
3. 池化層（MaxPool2d）：降低特征圖尺寸，減少計算量，增強魯棒性。

我們將用這些組件構建一個識別 MNIST 手寫數字的 CNN 模型，邊寫代碼邊解釋原理。

---

二、準備工作：庫導入與數據加載

首先導入必要的庫，加載 MNIST 數據集（28×28 的手寫數字圖片）：

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor# 加載MNIST數據集
training_data = datasets.MNIST(root="data",train=True,download=True,transform=ToTensor()  # 轉為張量，形狀為[1,28,28]
)
test_data = datasets.MNIST(root="data",train=False,download=True,transform=ToTensor()
)# 按批次加載數據（每批64張圖）
batch_size = 64
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)# 查看數據形狀（[批次, 通道, 高度, 寬度]）
for X, y in test_dataloader:print(f"數據形狀: {X.shape}")  # 輸出：torch.Size([64, 1, 28, 28])break

關鍵說明：MNIST 圖片是單通道（灰度圖），所以輸入形狀為[N,1,28,28]（N 為批次大小），這會影響后續卷積層的參數設置。

---

三、核心：用代碼實現 CNN 并理解各層作用

1.網絡層結構

我們構建一個包含 4 個卷積塊的 CNN 模型，每個卷積塊由 “卷積層 + 激活層” 組成，部分塊后添加池化層。通過代碼注釋詳細說明每層的作用和參數含義。

# 自動選擇設備（優先GPU）
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"使用設備: {device}")class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()# 第一個卷積塊：卷積層+激活層+池化層self.conv1 = nn.Sequential(# 卷積層：輸入1通道，輸出16通道，卷積核5×5，步長1，填充2nn.Conv2d(in_channels=1,    # 輸入通道數（灰度圖為1）out_channels=16,  # 輸出通道數（16個不同的卷積核）kernel_size=5,    # 卷積核大小5×5stride=1,         # 步長1（每次滑動1個像素）padding=2         # 填充2（保持輸出尺寸與輸入一致：28→28）),nn.ReLU(),  # 激活層：引入非線性，過濾負值# 池化層：2×2窗口，步長2，輸出尺寸變為14×14（28/2）nn.MaxPool2d(kernel_size=2, stride=2))# 第二個卷積塊：卷積層+激活層（無池化）self.conv2 = nn.Sequential(# 輸入16通道（上一層輸出），輸出32通道，卷積核3×3nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),nn.ReLU()  # 輸出尺寸保持14×14)# 第三個卷積塊：卷積層+激活層+池化層self.conv3 = nn.Sequential(nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(2, 2)  # 輸出尺寸變為7×7（14/2）)# 第四個卷積塊：卷積層+激活層（無池化）self.conv4 = nn.Sequential(nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),nn.ReLU()  # 輸出尺寸保持7×7)# 全連接層：將特征圖轉為10個類別（0-9）self.fc = nn.Linear(128 * 7 * 7, 10)  # 128通道×7×7尺寸def forward(self, x):# 前向傳播：數據依次經過各層x = self.conv1(x)  # 輸出形狀：[N,16,14,14]x = self.conv2(x)  # 輸出形狀：[N,32,14,14]x = self.conv3(x)  # 輸出形狀：[N,64,7,7]x = self.conv4(x)  # 輸出形狀：[N,128,7,7]x = x.view(x.size(0), -1)  # 展平：[N,128×7×7]x = self.fc(x)     # 輸出形狀：[N,10]（10個類別分數）return x# 創建模型并移動到設備
model = CNN().to(device)
print("CNN模型結構：")
print(model)

2.重點理解：卷積層參數與輸出尺寸計算

以第一個卷積層為例，輸入是[64,1,28,28]（64 張圖，1 通道，28×28），經過kernel_size=5, padding=2, stride=1的卷積后，輸出尺寸計算公式：

輸出尺寸 = (輸入尺寸 - 卷積核大小 + 2×填充) / 步長 + 1
即：(28 - 5 + 2×2)/1 + 1 = 28

所以輸出仍為 28×28，再經 2×2 池化后變為 14×14—— 這就是卷積層如何在保留特征的同時控制尺寸的核心邏輯。

---

四、訓練 CNN

CNN 的訓練流程和全連接網絡類似，我們將訓練輪次調整為 10 輪，既能保證模型收斂，又能節省訓練時間。定義訓練和測試函數如下：

# 損失函數（多分類用交叉熵）
loss_fn = nn.CrossEntropyLoss()
# 優化器（Adam，學習率0.0001）
optimizer = torch.optim.Adam(model.parameters(), lr=0.0001)# 訓練函數
def train(dataloader, model, loss_fn, optimizer):model.train()  # 開啟訓練模式batch_num = 1for X, y in dataloader:X, y = X.to(device), y.to(device)# 前向傳播：計算預測pred = model(X)loss = loss_fn(pred, y)# 反向傳播：更新參數optimizer.zero_grad()  # 梯度清零loss.backward()        # 計算梯度optimizer.step()       # 更新參數# 每100批次打印一次損失if batch_num % 100 == 1:print(f"批次 {batch_num} | 損失: {loss.item():.4f}")batch_num += 1# 測試函數
def test(dataloader, model, loss_fn):model.eval()  # 開啟測試模式size = len(dataloader.dataset)num_batches = len(dataloader)correct = 0test_loss = 0with torch.no_grad():  # 禁用梯度計算for X, y in dataloader:X, y = X.to(device), y.to(device)pred = model(X)test_loss += loss_fn(pred, y).item()correct += (pred.argmax(1) == y).type(torch.float).sum().item()# 計算準確率和平均損失test_loss /= num_batchescorrect /= sizeprint(f"\n測試集：準確率 {100*correct:.2f}% | 平均損失 {test_loss:.4f}\n")# 開始訓練（10輪）
print("="*50)
print("開始訓練CNN模型（10輪）")
print("="*50)
for epoch in range(10):print(f"輪次 {epoch+1}/10")print("-"*30)train(train_dataloader, model, loss_fn, optimizer)# 每2輪測試一次if (epoch+1) % 2 == 0:test(test_dataloader, model, loss_fn)
print("="*50)
print("訓練結束")

---

五、結果分析

輪次 10/10
------------------------------
批次 1 | 損失: 0.0002
批次 101 | 損失: 0.0000
批次 201 | 損失: 0.0015
批次 301 | 損失: 0.0190
批次 401 | 損失: 0.0003
批次 501 | 損失: 0.0008
批次 601 | 損失: 0.0001
批次 701 | 損失: 0.0065
批次 801 | 損失: 0.0019
批次 901 | 損失: 0.0310測試集：準確率 99.17% | 平均損失 0.0355==================================================
訓練結束

即使只訓練 10 輪，CNN 在測試集上的準確率通常也能達到99% 以上，明顯高于同輪次的全連接網絡。這體現了 CNN 的高效性，原因在于：

1. 局部感受野：卷積層通過滑動窗口只關注局部像素，更符合圖像的局部相關性；
2. 權值共享：同一通道的卷積核參數共享，大幅減少參數數量（全連接層 784→128 需要近 10 萬個參數，而 5×5 的卷積層 1→16 僅需 400 個參數）；
3. 池化層：通過下采樣保留關鍵特征，增強模型對圖像位移、縮放的魯棒性。

這些特性讓 CNN 在較少的訓練輪次下就能達到較好的性能。