pytorch 实现CIFAR-10多分类

最新推荐文章于 2023-11-01 17:28:03 发布

lecuerc

最新推荐文章于 2023-11-01 17:28:03 发布

阅读量3.9k

点赞数 5

分类专栏：深度学习文章标签：神经网络 pytorch 深度学习

本文链接：https://blog.csdn.net/qq_41321169/article/details/111629742

版权

本文介绍了基于CIFAR-10数据集使用PyTorch构建的卷积神经网络，详细阐述了数据集的构成、数据预处理、网络结构、训练过程和测试结果，最终实现约60%的分类准确率。

摘要由CSDN通过智能技术生成

基于数据集CIFAR-10，利用卷积神经网络进行分类。

1.CIFAR-10数据集

1.1概念

由10个类的6w个32x32彩色图像组成，每个类由6k个图像。5w个训练图，1W测试图。
分为5个训练批次，1个测试批次，每个批次有1w个图像。测试批次每个类恰好1k张随机图像。训练批次随机顺序包含剩余图像，总之，5个训练集之和包含每个类的5k张。
多分类单标签
在这里插入图片描述

1.2组成

data ——一个10000x3072个uint8s的numpy数组。数组的每一行存储一个32x32的彩色图像。前1024个条目包含红色通道值，下一个1024个条目为绿色，最后1024个条目为蓝色。图像按行的主要顺序存储，因此数组的前32个条目是图像第一行的红色通道值。
labels——范围为0-9的10000个数字的列表。索引i处的数字表示数组数据中第i个图像的标签。
该文件包含另一个称为数据集的文件批处理.meta. 它也包含一个Python字典对象。它包含以下条目：
label_names——一个10个元素的列表，为上面描述的labels数组中的数字标签提供有意义的名称。例如，label_names[0]=“飞机”，label_names[1]=“汽车”，等等。

2.代码

2.1数据记载、预处理和可视化

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
import torch
import torchvision
import torchvision.transforms as transforms


#下载数据预处理
transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])
trainset=torchvision.datasets.CIFAR10(root='./data',train=True,download=True,transform=transform )
trainloader=torch.utils.data.DataLoader(trainset,batch_size=4,shuffle=True,num_workers=2)
testset=torchvision.datasets.CIFAR10(root='./data',train=False,download=False,transform=transform )
testloader=torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False)

classes=('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')#10个类

#可视化
import matplotlib