Pytorch实现CIFAR-10分类

tensorvision包中自带常用的视觉数据集，其中就包括CIFAR-10。Tutorial中将网络的训练分为了5个步骤：

1. 准备数据：下载CIFAR-10并归一化
2. 定义CNN
3. 定义损失函数
4. 在training set上训练CNN
5. 在test set上测试CNN

1. 准备数据：下载CIFAR-10并归一化

import torch
import torchvision
import torchvision.transforms as transforms

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=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

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

数据处理使用torch.ultis.data类与torchvision.transforms类。
其中，transforms.Compose()是将各种数据变换组合起来使用，由各种变换构成的列表。
torchvision.datasets.CIFAR10()可以使用自己下载好的，解压后放在./data内，并设置download=False。

torch.utils.data.DataLoader() 类

class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory=False, drop_last=False)

torch.utils.data.DataLoader类是数据加载器，它组合数据集和采样器，并在数据集上提供单进程或多进程迭代器。

显示部分图像

下面的代码用来显示部分图像：

import matplotlib.pyplot as plt
import numpy as np

# functions to show an image

def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg