深度学习-使用PyTorch分类CIFAR10数据集

最新推荐文章于 2023-07-06 17:35:04 发布

Vivinia_Vivinia

最新推荐文章于 2023-07-06 17:35:04 发布

阅读量2.3k

点赞数

分类专栏：深度学习文章标签：深度学习 PyTorch CIFAR10

本文链接：https://blog.csdn.net/hester_hester/article/details/102598950

版权

本文介绍了使用PyTorch进行深度学习，对CIFAR10数据集进行图像分类的任务。作者通过构建包含三层卷积和四层全连接的CNN模型，探讨了不同网络结构和参数配置对模型性能的影响。尽管CPU训练速度较慢，但最终成功完成了任务。

摘要由CSDN通过智能技术生成

十月一前老师布置的任务，让对这个数据集进行分类，我使用的CNN，贴的代码事三层卷积+四层全连接，这几天试了四层卷积和两层全连接以及修改参数的各种混搭组合，就是CPU跑一次数据集太慢了，随机取样那段代码整理的出错，就只能一次性跑全部图片，大概一个多小时才能跑完，心累。

训练情况：

运行效果：

代码：

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.optim as optim
from torch.utils.data.sampler import SubsetRandomSampler
import numpy as np

#Tensor： 就像ndarray一样,一维Tensor叫Vector，二维Tensor叫Matrix，三维及以上称为Tensor

"""创建一个转换器，将torchvision数据集的输出范围[0,1]转换为归一化范围的张量[-1,1]"""
transform=transforms.Compose([
    tran