深度学习第P2周：彩色图片识别_深度学习颜色识别-CSDN博客

本文链接：https://blog.csdn.net/a52022920/article/details/127070521

深度学习第P2周：彩色图片识别

●难度：小白入门⭐
●语言：Python3、Pytorch

🍺 要求：

1学习如何编写一个完整的深度学习程序
2手动推导卷积层与池化层的计算过程

🔔本次的重点在于学会构建CNN网络

🏡 我的环境：

●语言环境：Python3.8
●编译器：jupyter notebook
●深度学习环境：Pytorch

一、前期准备

1. 设置GPU

如果设备上支持GPU就使用GPU,否则使用CPU

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

device

在这里插入图片描述

2. 导入数据

使用dataset下载CIFAR10数据集，并划分好训练集与测试集

使用dataloader加载数据，并设置好基本的batch_size

CIFAR-10
Size: 32×32 RGB图像，数据集本身是 BGR 通道
Num: 训练集 50000 和测试集 10000，一共60000张图片
Classes: plane（飞机）， car（汽车），bird（鸟），cat（猫），deer（鹿），dog（狗），frog（蛙类），horse（马），ship（船），truck（卡车）

在这里插入图片描述

train_ds = torchvision.datasets.CIFAR10('data', 
                                      train=True, 
                                      transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
                                      download=True)

test_ds  = torchvision.datasets.CIFAR10('data', 
                                      train=False, 
                                      transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
                                      download=True)

在这里插入图片描述

batch_size ：代表每次从所有数据中取出一小筐子数据进行训练，类似挑十框石头，每次挑一筐，此时的batch_size=1。这个参数是由于深度学习中尝使用SGD（随机梯度下降）产生。batch_size的大小取值和GPU内存会有关系，数值越大一次性载入数据越多，占用的GPU内存越多。适当增加batch_size能够增加训练速度和训练精度（因为梯度下降时震动较小），过小会导致模型收敛困难。

# batch_size ： 代表每次从所有数据中取出一小筐子数据进行训练，类似挑十框石头，每次挑一筐，此时的batch_size=1。这个参数是由于深度学习中尝使用SGD（随机梯度下降）产生。batch_size的大小取值和GPU内存会有关系，数值越大一次性载入数据越多，占用的GPU内存越多。适当增加batch_size能够增加训练速度和训练精度（因为梯度下降时震动较小），过小会导致模型收敛困难。

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_ds,
                                       batch_size=batch_size,
                                       shuffle=True)

test_dl  = torch.utils.data.DataLoader(