深度学习入门:pytorch实战CIFAR10图片分类

最新推荐文章于 2025-10-24 18:30:03 发布

原创

最新推荐文章于 2025-10-24 18:30:03 发布 · 1k 阅读

10 ·

CC 4.0 BY-SA版权

这篇博客介绍了使用PyTorch进行CIFAR10图像分类的实践过程，包括数据预处理、网络构建、损失函数和优化器的选择，以及训练和测试步骤。在数据预处理中，提到了将PIL图像转换为Tensor以及归一化的选择。网络结构未详细展开，但提到使用了交叉熵损失和带动量的SGD优化器。训练过程中，建议迭代次数适中以防止过拟合。

本篇博客站在复现的角度，讲解每一步可能遇到的问题。但并不会逐一对每句代码进行讲解，因此至少需要理解pytorch训练神经网络的过程（如何求梯度并更新参数）。
你可以狠狠的戳这里，直接查看pytorch官网原项目:

我使用的环境：

pytorch 1.4+cpu

python 3.7‘

CIFAR10数据样式
在这里插入图片描述
我们跳过一些展示图片的过程，直入主题。

首先，要下载CIFAR10数据库。注意：
1、torchvision数据集输出的是PIL类，且值取值范围是[0,1]。因此首先要将PIL转换为Tensor类。pytorch官网上又将其值归一化到[-1,1]，这一步跳过也可以。
推荐阅读：
知乎：什么时候对数据进行[0,1]归一化，什么时候[-1,1]归一化，二者分别在什么场景？
博客：为什么一些机器学习模型需要对数据进行归一化？

2、要是运行出错就把num_workers 这个选项设为0。关于num_wokers作用：

num_workers：使用多进程加载的进程数，0代表不使用多进程

import torch
import torchvision
import torchvision.transforms as transforms
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.