数据分析-深度学习 Pytorch Day7

最新推荐文章于 2023-01-31 22:22:48 发布

小浩码出未来！

最新推荐文章于 2023-01-31 22:22:48 发布

阅读量332

点赞数

文章标签：人工智能深度学习

本文链接：https://blog.youkuaiyun.com/weixin_43902376/article/details/128721545

版权

本文介绍了使用Pytorch进行CIFAR10图像识别的步骤，包括数据集特点、训练与测试数据划分，以及模型训练过程中需要注意的细节，如批次大小、模型定义、GPU部署和可能出现的错误及其解决方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像识别：CIFAR10图形识别

1.CIFAR10数据集共有60000张彩色图像，这些图像式32*32*3，分为10个类，每个类6000张

2.这里面有50000张用于训练，构成5个训练批，每一批10000张图；另外10000张用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。

3.一个训练批中的各类图像并不一定数量相同，总的来看训练集，每一类都有5000张图片

# 导入包
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms,datasets

 # 设置transforms
transform = transforms.Compose([
    transforms.ToTensor(), # numpy -> Tensor
    transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))  # 归一化 ，范围[-1,1]
])

# 下载训练数据集
# 训练集
trainset = datasets.CIFAR10(root='./CIFAR10',train=True,download=True,transform=transform)
# 测试集
testset = datasets.CIFAR10(root='./CIFAR10',train=False,download=True,transform=transform)