问题:刚刚上手pytorch,不熟悉pytorch库也不精通python。
解决办法:通过经典框架快速上手。啊啊啊,好好学习,早日发顶刊顶会啊。
说明:
经过修改,可以直接在VS中复制粘贴运行,非常简洁,哈哈哈,保证给你自信心。
原型代码是从Pytorch的官网下载的,官网可以在jupyter notebook下直接运行,但是在VS下会报[Error 32] Broken pipe错误。
这可能是因为VS不允许多线程。所以我对代码进行了稍微的修改。
当然,最重要的是注释非常非常多。
官网的博主也是刚入门,所以写得注释非常非常多,这篇就是分享给刚入门的同学看的,已经非常熟悉AI的大佬肯定不会来看这一篇了。
当然,如果万一万一有大佬看,欢迎指教!
'''
CIFAR-10数据集分类
数据集说明:该数据集共有60000张彩色图像,大小为32*32,分为10个类,每类6000张图。
其中50000张用于训练,分为5个训练批,每一批10000张图;
另外10000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。抽剩下的就随机排列组成了训练批。
运行说明:运行过程中显示图像时程序会暂停,图像关闭后会继续运行。
运行环境:python3.6, pytorch1.2, VS2017
源码:pytorch官网的tutorials
修改+注释:AI414010
时间:2019.9.5
说明:第一个注释+修改的深度学习代码,因为很多东西不懂,所以注释非常多。
希望自己以后写得注释会越来越简洁吧。
'''
import torch
import torchvision
import torchvision.transforms as transforms
#数据加载中引用的库
import matplotlib.pyplot as plt
import numpy as np
#显示图像引用的库
import torch.nn as nn
import torch.nn.functional as F
#搭建神经网络引用的库
import torch.optim as optim
#优化函数的库
#图像的显示函数
def imshow(img):
img = img / 2 + 0.5 # unnormalize,反归一化,以重新显示图像
npimg = img.numpy()#把图像转换威numpy数组
plt.imshow(np.transpose(npimg, (1, 2, 0)))
#三维数组的转换,原本是第三维上是RGB,现在是第二维,打印出相互据来看看就理解了
plt.show()
#神经网络的搭建
class Net(nn.Module):
def __init__(self):#具有可学习参数的层放在这里
super(Net, self).__init__()#继承父类的构造函数
self.conv1 = nn.Conv2d(3, 6, 5)#第一个卷积层,3通道输入,6通道输出,卷积核为5*5
self.pool = nn.MaxPool2d(2, 2)#池化层,核为2*2
self.conv2 = nn.Conv2d(6, 16, 5)#第二个卷积层,6通道输入,16通道输出,卷积核为5*5
self.fc1