图像识别第十五课

课堂总结

VGG是一种经典的卷积神经网络架构，常用于图像分类任务。

 配置字典 `cfg`：
   - `cfg` 是一个字典，包含了两种VGG架构的配置：
     - `VGG16`: 包含16层（包括卷积层和池化层）。
     - `VGG19`: 包含19层（包括卷积层和池化层）。
   - 每个配置是一个列表，列表中的数字表示卷积层的输出通道数，`'M'`表示最大池化层。

### 2. **VGG类**：
   - `VGG`类继承自`nn.Module`，用于构建VGG网络。
__init__方法：
     - 接受一个参数`Vgg_name`，用于指定使用哪种VGG配置。
     - 调用`self._make_layers(cfg[vgg_name])`来构建卷积层和池化层。
forward方法：
     - 定义了数据的前向传播过程。
     - 通过`self.features`提取特征。
     - 使用`view`方法将特征图展平为一维向量。
     - 通过全连接层`self.classifier`进行分类。 _make_layers方法：
   该方法根据配置列表`cfg`构建卷积层和池化层。

这段代码是使用PyTorch框架进行图像分类任务

 **设备设置**：
   - `device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')`：检查是否有可用的GPU，如果有则使用GPU，否则使用CPU。

**数据准备**：
   - **数据增强和预处理**：
     - `transform_train`：用于训练数据的转换，包括随机裁剪（`RandomCrop`）、随机水平翻转（`RandomHorizontalFlip`）、转换为张量（`ToTensor`）和归一化（`Normalize`）。
     - `transform_test`：用于测试数据的转换，包括转换为张量和归一化。
   - **数据集加载**：
     - `trainset`：加载CIFAR-10训练数据集，应用`transform_train`转换。
     - `trainloader`：创建训练数据加载器，批次大小为128，打乱数据，使用2个工作线程。
     - `testset`：加载CIFAR-10测试数据集，应用`transform_test`转换。
     - `testloader`：创建测试数据加载器，批次大小为100，不打乱数据，使用2个工作线程。
   - **类别标签**：
     - `classes`：CIFAR-10数据集的类别标签。注意`'deen'`应为`'deer'`。

**模型构建**：
   - `net1 = CNNNet()`：创建一个`CNNNet`模型的实例。
   - `net2 = Net()`：创建一个`Net`模型的实例。
   - `net3 = LeNet()`：创建一个`LeNet`模型的实例。
   - `net4 = VGG('VGG16')`：创建一个VGG16模型的实例。
     用于加载CIFAR-10数据集，并构建多个不同的卷积神经网络模型。