AI练手系列（一）—— 利用Pytorch训练CIFAR-10数据集

本文通过记录在pytorch中训练CIFAR-10数据集的一些过程，实现一个基本的数据集的分类，并在此过程中加强对图片、张量、CNN网络的理解，并尝试去总结一些训练技巧，记录一个新手对数据及网络的理解。

CIFAR—10数据集

CIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 有50000张训练图像和10000张测试图像。数据集地址如下：

The CIFAR-10 dataset

示例如下：

接下来我们要做的事情便是利用各种CNN的网络模型，在训练集上训练我们的模型，然后在测试集上测试模型的泛化能力，然后不断调节各种超参数及网络模型的细节，已到达在测试集上有更高的分类准确率的目的。

代码实现

代码实现如下：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.datasets as datasets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt 
import io
import sys
import os

#超参数定义
EPOCH = 100
BATCH_SIZE = 64
LR = 0.001
#数据集加载
#对训练集及测试集数据的不同处理组合
transform_train = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomGrayscale(),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
transform_test = transforms.Compose([     
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5</