CNN实现猫狗分类

一、实验原理

模型的输入数据是包含猫狗信息的RGB图像，将其输入到网络模型中，经过模型的前向计算得到输出的二分类结果，通过损失函数度量计算输出结果与输入图像标签的差异度，并通过反向传播算法根据这个差异来调整网络各层的参数值，经过反复迭代输入，最终得到一个能准确分类输入的猫狗图像的网络模型（输出的识别结果与标签一致）。

二、网络结构

本次试验使用的CNN网络结构如下：

各层参数和实验环境如下：

输入大小：256*256*3

卷积层①：3*3*3*16，padding=0，stride=2

卷积层②：3*3*16*32，padding=0，stride=2

卷积层③：3*3*32*64，padding=0，stride=2

池化层：2*2最大池化

全连接层①：输入3*3*64=576、输出128

全连接层②：输入128、输出10

输出层：输入10、输出2

三、代码

"""cnn模型"""class cnn(nn.Module):def __init__(self):super(cnn, self).__init__()self.relu = nn.ReLU()self.sigmoid = nn.Sigmoid()self.conv1 = nn.Sequential(nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=2),nn.BatchNorm2d(16),nn.ReLU(),nn.MaxPool2d(kernel_size=2),)#self.conv2 = nn.Sequential(nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=2),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(kernel_size=2),)#self.conv3 = nn.Sequential(nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=2),nn.BatchNorm2d(64),nn.ReLU(),nn.MaxPool2d(kernel_size=2),)self.fc1 = nn.Linear(3 * 3 * 64, 128)self.fc2 = nn.Linear(128, 10)self.out = nn.Linear(10, 2)def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = self.conv3(x)x = x.view(x.shape[0], -1)x = self.relu(self.fc1(x))x = self.relu(self.fc2(x))x = self.out(x)return x