[深度学习]使用torchvison经典模型训练cifar10(AlexNet,VGG,Inception,ResNet等)

代码是参考pytorch上面的官方教程，教程给出了一个简单了卷积网络训练，前半部分是卷积，后半部分全连接的类型，用来分类cifar10. https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#sphx-glr-beginner-blitz-cifar10-tutorial-py

而我想看看torchvison里经典模型的性能如何，所以就做了一些修改。因为torchvison是在imagenet上训练，所以对于输入输出的大小需要修改，cifar10比imagenet数据简单得多，而且可以直接从网上下载而不用申请。

最好是在jupyter notebook上运行。推荐谷歌的conlab免费的GPU服务，可以自己百度怎么使用。

 

首先是导入必要的 包，看一下当前是否具备gpu cuda环境，代码在cpu也能运行。

import torch
import torchvision
import torchvision.transforms as transforms


# Assume that we are on a CUDA machine, then this should print a CUDA device:
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

  
print(device)

然后transfrom是对数据集进行预处理，它可以是多个操作，resize是为了匹配imagenet的输入大小，本来cifar10的数据集只有32*32，为了匹配（256*256）就要resize。 后面还有totensor变成张量和normalize归一化处理。

torchvision.datasets.CIFAR10是torchvison为我们写好，可以下载数据集到指定的root路径，具体的参数可以去官网上找，其实也不难理解，train就是是否为训练数据，shuffle是否洗牌，num_workers是多少个进程一起工作，0就是只有一个进程。

loader可以看做是一个容器，把训练和测试的数据放入一个容器里，后面会根据batchsize大小取出来。

classes里面代表了分类的类别有哪些。

transform = transforms.Compose(
    [transforms.Resize(252),
     transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

batch_size = 8

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,