基于Pytorch的简单深度学习项目实战

目录

任务详情

训练设置

网络模型

损失函数

优化器 

训练步骤

具体代码

导入环境

 导入数据

加载数据 

创建网络

 损失函数

优化器

开始训练

---

任务详情

利用CIFAR10数据集，基于pytorch环境，训练一个10个类别的小样本分类器

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的大小为 32×32 ，数据集中一共有 50000 张训练图片和 10000 张测试图片。 CIFAR-10 的图片样例如图所示：

 

训练设置

采用mini-batch训练模式，batch_size = 64

网络模型

LeNet-5是识别图片中手写数字的经典网络模型，网络结构简单，我们将其简单改一下用于解决小样本分类问题，在自己的笔记本上面训练也不会花太多时间，适合新手入门，可以短时间感受到深度学习的魅力。

网络结构图

 各层参数

输入大小（32，32，3）

• 1卷积层(3, 32, 5, 1, padding="same")
• 2最大池化层
• 3卷积层(32, 32, 5, 1, padding="same")
• 4最大池化层
• 5卷积层(32, 64, 5, 1, padding="same")
• 6最大池化层
• 7全连接层(64 * 4 * 4, 64),
• 8全连接层(64, 10)

输出大小（10，1）

注：卷积层参数（输入通道、输出通道、卷积核大小、步长、padding）

损失函数