NNDL 实验13 卷积神经网络（4）预训练ResNet-CIFAR10

实验任务：使用预训练resnet18实现CIFAR-10分类

数据集：https://links.jianshu.com/go?to=https%3A%2F%2Fwww.cs.toronto.edu%2F%7Ekriz%2Fcifar-10-python.tar.gz

数据集：CIFAR-10数据集

使用Pytorch高层API中的Resnet18进行图像分类实验。

torchvision.models.resnet18()

什么是“预训练模型”？什么是“迁移学习”？

比较“使用预训练模型”和“不使用预训练模型”的效果。

resnet = models.resnet18(pretrained=True)

resnet = models.resnet18(pretrained=False)

损失函数：交叉熵

优化器：Adam优化器，Adam优化器的介绍参考NNDL第7.2.4.3节

评价指标：准确率

1.1数据读取

在本实验中，将原始训练集拆分成了train_set、dev_set两个部分，分别包括40 000条和10 000条样本。将data_batch_1到data_batch_4作为训练集，data_batch_5作为验证集，test_batch作为测试集。 最终的数据集构成为：

• 训练集：40 000条样本。
• 验证集：10 000条样本。
• 测试集：10 000条样本。

读取一个batch数据的代码如下所示：

import os
import pickle
import numpy as np

def load_cifar10_batch(folder_path, batch_id=1, mode='train'):
    if mode == 'test':
        file_path = os.path.join(folder_path, 'test_batch')
    else:
        file_path = os.path.join(folder_path, 'data_batch_'+str(batch_id))

    #加载数据集文件
    with open(file_path, 'rb') as batch_file:
        batch = pickle.load(batch_file, encoding = 'latin1')

    imgs = batch['data'].reshape((len(batch['data']),3,32,32)) / 255.
    labels = batch['labels']

    return np.array(imgs, dtype='float32'), np.array(labels)

imgs_batch, labels_batch = load_cifar10_batch(folder_path=r'C:\Users\320\PycharmProjects\pythonProject/cifar-10-batches-py',