Pytorch：VGG16训练CIFAR10数据集出现bug之总结

@Pytorch：VGG16训练CIFAR10数据集出现bug之总结

从github上下载的源码是LeNet训练Mnist数据集,我寻思着我用vgg16网络训练一下cifar10数据集试试呗。然后就是疯狂的出现各种各样的bug,de完一个又一个，人生真的是不停的debug啊。还好，经过不懈的努力与坚持，终于vgg16训练cifar10获得了成功。现在总结一下我实现过程中出现的问题，供我后面复习以及大家学习。

bug1:网络可以跑起来，但是无论训练多少epoch,训练时损失率不下降，准确率保持不变，一直是10%。

这个问题困扰了我很久，后来查看各种资料，原因可能如下：
1、学习率设置不当，通常情况下设为：0.01-0.1，设置过小，学习慢。
2、损失函数设置不当，可以考虑选用交叉熵损失函数（criterion = torch.nn.CrossEntropyLoss().cuda()）
3、网络结构网络结构不对。(我选的vgg16网络吧，害，直接copy了网上的一段，但是根本不适用于我的情况，提醒小伙伴们，要根据实际做适当修改哦）

网络修改：前面卷积层提取特征都一样，无需改动。全连接层需要根据自己的输入数据集大小做出改变。

官方的输入图片是224×224，经过卷积和池化，到全连接层的第一层是大小变为512×7×7，当用32×32的CIFAR10图片时，经过卷积和池化，到全连接层的第一层是大小变为512乘1乘1。因此在下方全连接层的第一层nn.Linear(512×7×7, 4096)处，需改为nn.Linear(512×1×1, 4096)。其中4096是自己设置的神经元的个数。官方的为4096，是一个经验值，我们在设置时，不小于分类大小就行（此处num_classes = 10,我设为512）。

以下是官方VGG16代码：

vgg16 = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M']

class VGG(nn.Module):
	def __init__(self, in_channels=3, num_classes=10):
		super(VGG, self).__init__()
		self.in_channels = in_channels
		self.conv = self._make_layer(vgg16)

		self.fc = nn.Sequential(
			nn.Linear(512*7*7, 4096),
			nn.ReLU(),
			nn.Dropout(p=0.5),
			nn.Linear(4096, 4096),
			nn.ReLU(),
			nn.Dropout(p=0.5),
			nn.Linear(4096, num_classes)
			)

	def forward(self, x):
		x = self.conv(x)
		x = x.reshape(x.shape