PyTorch入门-CIFAR10图像分类.pdfVIP

PyTorch⼊门-CIFAR10图像分类

1.CIFAR10数据集下载

CIFAR10数据集包含10个类别，图像尺⼨为3×32×32

官⽅下载地址很慢，这⾥给⼀个百度云：

下载后在项⽬⽬录新建⼀个data⽬录解压进去

2.导⼊相关包

importtorch

importtorch.nnasnn

importtorch.optimasoptim

importtorchvision

importtorchvision.transformsastransforms

importtime

importcopy

数据集的图⽚数量很⼤，⽆法⼀次性加载所有数据，所以⼀次加载⼀个的图⽚

MINI_BATCH=8#mini-batch

可⽤则使⽤

DEVICE=torch.device(cuda:0iftorch.cuda.is_available()elsecpu)#GPUGPU

3.使⽤torchvision加载并且归⼀化训练和测试数据集

CIFAR10数据集的输出是范围在[0,1]之间的PILImage，我们将它转换并归⼀化范围在[-1,1]之间的Tensor：

将格式的图像转换为张量

#ToTensor():ndarrrayTensor

：每个通道颜⾊平均值，这⾥的平均值为，私⼈数据集⾃⼰计算；：每个通道颜⾊标准偏差，原始数据得到

#Normalize(mean,std)mean0.5std(-mean)/std

归⼀化后的数据

transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])

数据加载器：

#训练数据加载

trainset=torchvision.datasets.CIFAR10(root=./data,train=True,download=False,transform=transform)

trainloader=torch.utils.data.DataLoader(trainset,batch_size=MINI_BATCH,shuffle=True,num_workers=4)

#测试数据加载

testset=torchvision.datasets.CIFAR10(root=./data,train=False,download=False,transform=transform)

testloader=torch.utils.data.DataLoader(testset,batch_size=MINI_BATCH,shuffle=False,num_workers=4)

4.定义卷积神经⽹络

我们实现⼀个简单的神经⽹络LeNet-5来进⾏分类：

这个⽹络具有两个卷积层，两个池化层，三个全连接层，原⽹络⽤于⼿写数字识别，输⼊为灰度图，这⾥我们输⼊图像是RGB所以修改输⼊

数据为3×32×32的Tensorr数据，输出数据维度为1*10，表⽰图⽚属于10个类别的概率，图中数据维度变化说明：

⼆维卷积层输出⼤⼩out=(in-F+2P)/S+1，其中：

F：卷积核⼤⼩F×F

P：Padding，默认为0

S：步长Stride，默认为1

如图中第⼀层卷积层(32-5)/1+1=28

池化层输出⼤⼩out=(in