实验13 使用预训练resnet18实现CIFAR-10分类

1.数据预处理

首先利用函数transforms.Compose定义了一个预处理函数transform，里面定义了两种操作，一个是将图像转换为Tensor，一个是对图像进行标准化。然后利用函数torchvision.datasets.CIFAR10下载数据集，这个函数有四个常见的初始化参数：root为数据存储的路径，如果数据已经下载，会直接从这个路径加载数据。train如果为True，表示加载训练集，train如果为False，加载测试集。download如果设置为True，表示如果本地不存在数据集，会自动从互联网上下载。transform指定一个转换函数，对数据进行预处理和数据增强等操作。所以下载训练集train_full时，train赋值为True，下载测试集时，train赋值为False。之后对下载的训练集train_full进行划分，先规定指定的大小，然后利用random_split进行划分，最后就是创建Dataloader，batch_size设为64，得到train_loader,val_loader,test_loader。

代码：

# 检查是否有可用的 GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

# 数据预处理和增强
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为Tensor
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 图像标准化
])

# 下载 CIFAR-10 数据集
train_full = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
test = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

# 划分训练集（40,000）和验证集（10,000）
train_size = int(0.8 * len(train_full))  # 80% 用于训练
val_size = len(train_full) - train_size  # 剩余 20% 用于验证
train_data, val_data = random_split(train_full, [train_size, val_size])

# 创建 DataLoader
train_loader = DataLoader(train_data, batch_size=64, shuffle=True)
val_loader = DataLoader(val_data, batch_size=64, shuffle=False)
test_loader = DataLoader(test, batch_size=64, shuffle=False)

2.模型构建

模型构建就比较简单，直接使用使用pytorch定义的库函数，只有一行代码：

model = models.resnet18(pretrained=False)，pretrained=False表示不使用在Imagenet上预训练的权重，pretrained=True表示使用在Imagenet上预训练的权重。因为这个模型是训练Imagenet构建的模型，要想让这个模型适应新任务，需要获取最后一层的输入特征数，然后利用一个全连接层将输出改为10。

代码：

# 初始化 ResNet-18 模型
model = models.resnet18(pretrained=True)
# 修改最后一层（全连接层），适应新的任务
num_ftrs = model.fc.in_features  # 获取最后一层的输入特征数
model.fc = torch.nn.Linear(num_ftrs, 10)  # 将输出改为 10 个类别（例如 CIFAR-10）

3.模型训练

创建Runner类，管理训练、评估、测试和预测过程。还是之前的一套东西，首先是一个init函数，用于初始化数据集、损失函数、优化器等。train函数用于计算在训练集上的loss，并反向传播更新参数。evaluate函数用于计算在验证集上的损失，不用反向传播更新模型的参数，同时根据evaluate函数得到的损失判断是否保存最优模型，利用state_dict函数保存最优模型。test函数首先加载最优模型，然后在测试集计算最优模型的准确率。predict函数预测某