人工智能例子汇总：AI常见的算法和例子-CSDN博客
下面是一个简单的卷积神经网络（CNN）用于区分实心圆和方形圆的二分类任务。数据集是人工生成的图像
CNN 是专门用于处理图像等具有空间结构数据的神经网络。其核心组成部分如下：
- 输入层（Input Layer）：接受原始图像数据，如 28×28×3 的彩色图片（RGB 三通道）。
- 卷积层（Convolutional Layer）：提取图像特征，如边缘、纹理、形状。
- 激活函数（ReLU）：引入非线性，提高模型表达能力。
- 池化层（Pooling Layer）：减少计算量，提高模型对位置变化的鲁棒性。
- 全连接层（Fully Connected Layer, FC）：将特征映射到最终的分类任务。
- 输出层（Output Layer）：使用 Softmax（分类）或回归输出
-
数据生成
generate_circle_image(shape, size=28): 生成 28×28 的灰度图像，包含实心圆或方形圆。generate_dataset(num_samples=1000): 生成包含num_samples个样本的数据集，每个样本由 28×28 的图像和标签（0：实心圆，1：方形圆）组成。
-
模型
CNN(): 一个简单的 3 层卷积神经网络，包含 ReLU 激活和最大池化层。
-
训练
train(): 训练模型，使用二元交叉熵损失（BCEWithLogitsLoss）和 Adam 优化器。
-
测试
test(): 评估模型准确率，并可视化预测结果。
完整代码：
import torch
import torch.nn as nn
import torch.optim as optim
import torch.utils.data as Data
import matplotlib.pyplot as plt
import random# 生成实心圆或方形圆的 28×28 图像
def generate_circle_image(shape, size=28):"""生成 28x28 的灰度图像，包含实心圆或方形圆"""image = torch.ones((size, size), dtype=torch.float32) # 初始化背景为 1（白色）y, x = torch.meshgrid(torch.arange(size), torch.arange(size), indexing='ij') # 确保未来 PyTorch 版本兼容center = (size // 2, size // 2) # 圆心坐标radius = size // 4 # 圆的半径if shape == 'circle':mask = (x - center[1]) ** 2 + (y - center[0]) ** 2 <= radius ** 2 # 圆的方程elif shape == 'square':half_size = radiusmask = (abs(x - center[1]) <= half_size) & (abs(y - center[0]) <= half_size) # 方形范围image[mask] = 0 # 图形部分设为 0（黑色）return image# 生成训练和测试数据
def generate_dataset(num_samples=1000):"""生成数据集，包含 num_samples 个样本，每个样本是 28x28 图像和标签"""images = []labels = []for _ in range(num_samples):shape = random.choice(['circle', 'square']) # 随机选择类别label = 0 if shape == 'circle' else 1 # 圆: 0，方形圆: 1img = generate_circle_image(shape)images.append(img.unsqueeze(0)) # 增加通道维度 (1, 28, 28)labels.append(label)images = torch.stack(images) # 转换为张量 (num_samples, 1, 28, 28)labels = torch.tensor(labels, dtype=torch.float32) # 标签张量return images, labels# 卷积神经网络
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 = nn.Conv2d(1, 8, kernel_size=3, padding=1) # 1 输入通道 -> 8 输出通道self.conv2 = nn.Conv2d(8, 16, kernel_size=3, padding=1) # 8 -> 16 输出通道self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 2x2 最大池化层self.fc1 = nn.Linear(16 * 7 * 7, 32) # 全连接层self.fc2 = nn.Linear(32, 1) # 最终输出 1 维（用于二分类）def forward(self, x):x = self.pool(torch.relu(self.conv1(x))) # 28x28 -> 14x14x = self.pool(torch.relu(self.conv2(x))) # 14x14 -> 7x7x = x.view(-1, 16 * 7 * 7) # 扁平化张量x = torch.relu(self.fc1(x)) # 全连接层x = self.fc2(x) # 输出层return x.squeeze(1) # 去除多余维度，保证输出形状一致# 训练模型
def train(model, train_loader, criterion, optimizer, num_epochs=5):"""训练模型"""model.train()for epoch in range(num_epochs):total_loss = 0for images, labels in train_loader:optimizer.zero_grad()outputs = model(images)loss = criterion(outputs, labels)loss.backward()optimizer.step()total_loss += loss.item()print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {total_loss/len(train_loader):.4f}')# 评估模型
def test(model, test_loader):"""测试模型，并可视化部分预测结果"""model.eval()correct = 0total = 0images_list, preds, labels_list = [], [], []with torch.no_grad():for images, labels in test_loader:outputs = model(images)predicted = (torch.sigmoid(outputs) > 0.5).float() # 通过 sigmoid 得到二分类结果correct += (predicted == labels).sum().item()total += labels.size(0)images_list.extend(images.cpu())preds.extend(predicted.cpu())labels_list.extend(labels.cpu())print(f'Accuracy: {100 * correct / total:.2f}%')# 显示部分预测结果fig, axes = plt.subplots(1, 5, figsize=(12, 3))for i in range(5):axes[i].imshow(images_list[i].squeeze(), cmap='gray')axes[i].set_title(f"Pred: {int(preds[i].item())} - True: {int(labels_list[i].item())}")axes[i].axis('off')plt.show()# 运行训练和测试
def main():# 生成数据集X_train, y_train = generate_dataset(1000)X_test, y_test = generate_dataset(200)# 创建数据加载器train_dataset = Data.TensorDataset(X_train, y_train)test_dataset = Data.TensorDataset(X_test, y_test)train_loader = Data.DataLoader(train_dataset, batch_size=32, shuffle=True)test_loader = Data.DataLoader(test_dataset, batch_size=32, shuffle=False)# 初始化模型、损失函数和优化器model = CNN()criterion = nn.BCEWithLogitsLoss() # 二元交叉熵损失optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型train(model, train_loader, criterion, optimizer, num_epochs=5)# 测试模型test(model, test_loader)if __name__ == "__main__":main()
CNN 在 计算机视觉、医学影像、自动驾驶、遥感、NLP 和语音处理 等领域有广泛应用。其主要优势在于：
- 局部连接和权重共享，减少计算量。
- 池化层降维，增强特征提取能力。
- 适用于 2D/3D 结构数据（如图像、视频、遥感影像）
