代码练习解析

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

-  torchvision.datasets.CIFAR10  用于加载 CIFAR10 数据集。

-  root='./data'  指定数据集的存储路径。

-  train=True  表示加载训练集数据。

-  download=False  表示不自动下载数据集（假设数据集已经存在）。

-  transform=transform  表示对加载的数据应用之前定义的转换操作。

 trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2) ：

-  torch.utils.data.DataLoader  创建一个数据加载器，用于按批次加载数据。

-  trainset  是要加载的数据集。

-  batch_size=4  指定每个批次包含 4 个样本。

-  shuffle=True  表示在每个 epoch 中打乱数据顺序。

-  num_workers=2  指定使用 2 个子进程来加载数据。

 testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=False, transform=transform) ：与加载训练集类似，这里加载的是测试集数据（ train=False ）。

 testloader = torch.utils.data.DataLoader(testset, batch_size=4,shuffle=False, num_workers=2) ：创建测试集的数据加载器， shuffle=False  表示测试集数据不打乱顺序。

 classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse','ship', 'truck') ：定义了 CIFAR10 数据集中的 10 个类别名称。

 def __init__(self): 类的构造函数，用于初始化神经网络的层。

 super(CNNNet, self).__init__() ：调用父类（ nn.Module ）的构造函数，这是在自定义神经网络类中必须要做的一步。

self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=5, stride=1) ：

定义第一个卷积层，输入通道数为 3（通常对应 RGB 图像），输出通道数为 16，卷积核大小为 5x5，步长为 1。

self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) ：

定义第一个最大池化层，池化核大小为 2x2，步长为 2。

self.conv2 = nn.Conv2d(in_channels=16, out_channels=36, kernel_size=3, stride=1) ：

定义第二个卷积层，输入通道数为 16，输出通道数为 36，卷积核大小为 3x3，步长为 1。

self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2) ：

定义第二个最大池化层，池化核大小为 2x2，步长为 2。

self.fc1 = nn.Linear(1296, 128) ：定义第一个全连接层，输入特征数为 1296，输出特征数为 128。

self.fc2 = nn.Linear(128, 10) ：定义第二个全连接层，输入特征数为 128，输出特征数为 10（对应 CIFAR10 数据集的 10 个类别）。

def forward(self, x): 定义前向传播函数，描述了数据在神经网络中的流动路径。

x = self.pool1(F.relu(self.conv1(x))) ：对输入  x  进行第一次卷积操作，然后应用 ReLU 激活函数，最后进行第一次最大池化操作。

x = self.pool2(F.relu(self.conv2(x))) ：对经过第一次卷积和池化后的  x  进行第二次卷积操作，然后应用 ReLU 激活函数，最后进行第二次最大池化操作。

 x = x.view(-1, 36 * 6 * 6) ：将二维的特征图展平为一维向量，以便输入到全连接层中。 -1  表示自动计算该维度的大小。

 x = F.relu(self.fc2(F.relu(self.fc1(x)))) ：

对展平后的  x  进行第一次全连接操作，应用 ReLU 激活函数，然后进行第二次全连接操作，再应用 ReLU 激活函数。

 return x ：返回经过神经网络处理后的输出。

 net = net.to(device) ：将神经网络模型移动到之前定义的设备（ cuda  或  cpu ）上。

 print("net have {} paramerters in total".format(sum(x.numel() for x in net.parameters()))) ：

统计神经网络中所有可训练参数的数量，并打印出来。这里有个拼写错误， paramerters  应该是  parameters 。

训练配置中的损失函数和优化器设置

提取前四层

训练模型