pytorch搭建分类器分类CIFAR10

pytorch对CIFAR10进行分类

• 最近实验室的项目需要用到pytorch，pytorch也是目前最流行的深度学习框架之一，非常简单好用，这次就使用pytorch搭建一个简单的卷积神经网络用于CIFAR10的分类任务。
• 对于一个有监督的分类任务，大概的训练过程是：
  • 加载数据，包括测试数据和训练数据，数据包括数据本身和标签
  • 定义一个网络，其中包括卷积层，池化层，全连接层，激活层等等
  • 将输入数据送入网络
  • 得到网络的输出，根据预测和真实计算损失
  • 将损失进行反向传播，得到网络各阶段的梯度
  • 使用优化函数根据反向传播的损失梯度对网络各层的权重进行更新
• 在搭建网络之前首先确认你已经成功安装了pytorch环境–

下载数据集

• 对于计算机视觉，pytorch中有一个包专门用来加载和处理数据–torchvision，想要加载CIFAR10的数据，非常的简单。

import pytorch
import torchvision
import torchvision.transforms as transforms
# 1. 加载CIFAR10 数据
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 训练及数据
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)

# 测试集数据
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False)

# 数据集中分类
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

• 运行上面的代码，等待时间取决于你的网络速度，你将会看到这样的结果：

Files already downloaded and verified
Files already downloaded and verified
Files already downloaded and verified
Files already downloaded and verified

• 下载好的数据集就保存在当前文件夹的data文件夹下，是一个压缩文件，我们可以对其中的部分图片进行可视化

import matplotlib.pyplot as plt
import numpy as np

# 定义输出图像的函数
def imshow(img):
    # 上面我们将图片进行了标准化，需要转换回[0-1]之间
    img = img / 2 + 0.5
    # 再转换成ndarray
    nping = img.numpy()
    plt.imshow(np.transpose(nping,(1,2,0)))
    plt.show()

# 随机获取一张训练图片
dataiter = iter(trainloader)
images,labels = dataiter.next()

# 显示图片
imshow(torchvision.utils.make_grid(images))
# 打印图片的标签
print(' '