pytorch深度学习：CNN卷积神经网络（三）

上两节博客，分别学习了卷积神经网络的基础知识和处理手写字数据集，具体的可以看前边两篇博客：
CNN基础知识
CNN处理mnist数据集

mnist只是单一高度(channel)的数据集，使用卷积处理时的卷积核是二维平面形状，而实际情况下我们要处理的往往是彩色图像，因此是有高度(channel)值的，这时卷积核更像是一个立方体的样子，看下面的图就很好理解了。

1.问题的提出

这节课我们用另一个著名的数据集CIFAR-10来做彩色图片分类，CIFAR-10是一个常用的彩色图片数据集，它有10个类别airplane、automobile、bird、cat、deer、dog、frog、horse、ship和trunk。每张图片都是3×32×32，也就是3通道彩色图片，分辨率为32×32。

我们选几张图片来看一下，今天要做的就是搭建CNN完成这个彩色图片的10分类任务。

2.数据处理

数据集的准备仍然使用torchvison来下载数据集，第一次下载可能会有些慢，如果已经下载好了，可以通过root参数指定。

仍然将数据分为训练集和测试集，还要对数据进行归一化的处理，同时使用批数据处理的方法进行训练，见程序：

# 定义对数据的预处理
transform = transforms.Compose([
   transforms.ToTensor(),  # 转为Tensor
   transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),  # 归一化
    ])

# 训练集
train_data = tv.datasets.CIFAR10(
        root='C:\\Users\\hurunqiao\\Downloads',
        train=True,
        download=True,
        transform=transform
    )
	
train_loader = torch.utils.data.DataLoader(
        dataset=train_data,
        batch_size=Batch_size,
        shuffle=True,
        num_workers=2
    )
    
# 测试集
test_data = tv.datasets.CIFAR10(
        'C:\\Users\\hurunqiao\\Downloads',
        train=False,
        download=True,
        transform=transform
    )

test_loader = torch.utils.data.DataLoader(
        dataset=test_data,
        batch_size=Batch_size,
        shuffle=False,
        num_workers=2
    )

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

还要定义些超参数：Epoch（训练轮数）、Batch_size（批数据处理个数）、LR（学习率）。

# 一些超参数的定义
Epoch = 3
Batch_size = 4
LR = 0.01

3.CNN网络的搭建

我们这次搭建的CNN网络具有两层卷积层、两层池化层和两层全连接层。它们的参数设置如下：
- 卷积层：

• in_channels: 表示输入图像的高度(channel)，彩色图像为3。
• out_channels: 表示输出的高度(channel)，也可理解为卷积核个数。
• kernel_size: 表示卷积核的大小(5×5的方形)。
• stride: 表示步长。
• padding: 当 stride=1时，如果想要卷积出来的图片长宽没有变化 ,padding=(kernel_size-1)/2。

- 池化层：
使用的是Max Pooling，我们只需要设置池化层Filter的大小。

- 全连接层：

• 输入层单元数: 将处理后的数据展平成一维向量后的个数。<