学习笔记：2.1 pytorch官方demo(Lenet)

项目路径：D:\pycharm_code\template\pilibala_template\deep-learning-for-image-processing-master\pytorch_classification\Test1_official_demo

现在pytorch官方有关Lenet的demo已经下架了

（1）注意：pytorch tensor的通道排序为[batch,channel,height,width]，本代码中的数据集为彩色图像，为RGB三种颜色，故input是32*32*3

（2）LeNet类继承自父类nn.Module，super函数解决的是继承过程中出现的问题

代码与上面结构图是类似的对应，并不是完全一致的对应

1.输入为RGB彩图，为3通道，设置通过第一个卷积层输出16通道，由于第一层卷积核为5*5，则输入32*32，得到输出为28*28的；

2.下采样，通过2*2，stride=2的池化核，得到（16，14，14）

3.再通过nn.Conv2d(16, 32, 5)，得到（32，10，10）

4.下采样，再通过2*2，stride=2的池化核，得到（32，5，5）

5.通过全连接层需要将（32，5，5）的向量变成一维向量，即32*5*5作为nn.Linear的in_features，对照Lenet网络结构图，得知其out_features为120，故参数为（32*5*5，120）

6.后面的全连接层同理，注意到最后一个全连接层的输出参数为10，因为所采用的分类数据集为Cifar10，分为10类

（3）在train.py中，首次下载cifar10的训练集，需要将download设置为ture

注意：这里import torchvision标红了是因为没有选对python解释器，记得选一下

后面的trian_loader的num_worker只有为0时，在Windows环境下不会报错。

输入torchvision.datasets可以看到pytorch官方有很多数据集。

（4）验证一下

先反归一化，再将图像由tensor转化为numpy格式，由于之前采用了to tensor，而to tensor将（H,W,C）转化为了（C,H,W），因此需要将现在（1，2，0）才能变回（H,W,C）

（5）

（6）再在predict.py文件验证训练后的模型参数对一个全新的图片1.jpg的分类效果

（7）cifar10的readme

在每个epoch下要有两段结果展示，如[1,500],[1,1000],因为cifar10中验证集有10000张图片，而val_loader的batchsize为5000。