如何用resnet网络建立基于cifar10的简单分类器

resnet：

esNet在2015年被提出，在ImageNet比赛classification任务上获得第一名，因为它“简单与实用”并存，之后很多方法都建立在ResNet50或者ResNet101的基础上完成的，检测，分割，识别等领域里得到广泛的应用。它使用了一种连接方式叫做“shortcut connection”，顾名思义，shortcut就是“抄近道”的意思，下面是这个resnet的网络结构：

详细内容请查看链接

---

文件夹结构及配置:

data下存放cifar10数据集
models下存放resnet.py ,simple.py

---

test.py：

import torchvision as tv
import torch
import torchvision.transforms as transforms
from torchvision.transforms import ToPILImage
from torchvision import datasets, transforms
import torch.nn as nn
import torch.nn.functional as F
from torch import optim
from models.resnet import ResNet18
from torch.autograd import Variable
def trans_to_cuda(variable):
    if torch.cuda.is_available():
        return variable.cuda()
    else:
        return variable

if __name__ == '__main__':
    #Compose是pytorch中的图像预处理包。一般用Compose把多个步骤整合到一起
    #RandomCrop：在一个随机的位置进行裁剪
    #RandomHorizontalFlip：以0.5的概率水平翻转给定的PIL图像
    #Normalize：对具有平均值和标准差的张量图像进行归一化
    #ToTensor：将PIL图像转换为[0,255]范围内的张量（H * W * C）转换为Tensor。Tensor（C * H * W）范围为[0.0,1.0]
    transform_train = transforms.Compose([
        transforms.RandomCrop(32, padding=4),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),])

    transform_test = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
    ])
    #训练数据
    #PyTorch中数据读取的一个重要接口是torch.utils.data.DataLoader，该接口定义在dataloader.py脚本中，只要是用PyTorch来训练模型基本都会用到该接口，
    # 该接口主要用来将自定义的数据读取接口的输出或者PyTorch已有的数据读取接口的输入按照batch size封装成Tensor。（方便产生一个可迭代对象(iterator)，
    # 每次输出指定batch_size大小的Tensor）
    #num_workers：从注释可以看出这个参数必须大于等于0，0的话表示数据导入在主进程中进行，其他大于0的数表示通过多个进程来导入数据，可以加快数据导入速度
    trainset = datasets.CIFAR10('./data', train=True, download=True,
                                          transform=transform_train)
    trainloader = torch.utils.data.DataLoader(
        trainset,
        batch_size=4,
        shuffle=True,
        num_workers=2)
    # 加载测试数据
    testset = datasets.CIFAR10('./data', train=False, transform=transform_test)
    testloader = torch.utils.data.DataLoader(
        testset,
        batch_size=4,
        shuffle=False,
        num_workers=2)
    classes = ('plane', 'car', 'bird', 'cat',
               'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
    #建立本地网络
    local_model = ResNet18(name='Local',
                           created_time='2019')
    #选择设备有无GPU
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    local_model = trans_to_cuda(local_model)
    criterion = torch.nn.CrossEntropyLoss()
    optimizer = torch.optim.SGD(local_model.parameters(), lr=0.001, momentum=0.9)
    torch.set_num_threads(8)
    # 训练的数据量为2个epoch，每个epoch为一个循环
    # 每个epoch要训练所有的图片，每训练完成2000张便打印一下训练的效果（loss值） # 训练的数据量为5个epoch，每个epoch为一个循环
    #                             # 每个epoch要训练所有的图片，每训练完成200张便打印一下训练的效果（loss值）
    for epoch in range(2):
        running_loss = 0.0
        for i, data in enumerate(trainloader, 0):
            # 输入数据
            inputs, labels = data  #torch.Size([4, 3, 32, 32]) tensor([8, 2, 7, 0])
            inputs, labels = Variable(inputs), Variable(labels)

            inputs = inputs.to(device)
            labels = labels.to(device)
            # 梯度清零
            optimizer.zero_grad()
            # forward + backward
            outputs = local_model(inputs)  #torch.Size([4, 10])
            # print("*****")
            # print(inputs.shape)
            # print(labels)
            # print(outputs.shape)
            # print("*****")
            loss = criterion(outputs, labels)
            loss.backward()