使用PyTorch实现resnet-18分类CIFAR-10

最新推荐文章于 2025-06-20 16:58:23 发布

原创

最新推荐文章于 2025-06-20 16:58:23 发布 · 4.6k 阅读

19 ·

CC 4.0 BY-SA版权

本文介绍了使用PyTorch实现ResNet-18模型对CIFAR-10数据集进行分类的过程，包括模块引入、数据导入、定义Block类和ResNet类，以及训练过程中的精度计算和模型拟合。首次训练结果显示较低的准确率，通过增加训练轮数和优化策略，期望提升模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

昨天看完了resnet的论文，今天试着来实现一下。

先放一个resnet18的模型图：
在这里插入图片描述

模块引入

# 模块引入

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

数据导入

# 数据导入

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

trainset = torchvision.datasets.CIFAR10(root='./data',train=True,
                                        download=True,transform=transform)
trainloader = torch.utils.data.DataLoader(trainset,batch_size=4,
                                          shuffle=True,num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data',train=False,
                                       download=True,transform=transform)
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')
class_nums = 10