基于 PyTorch 的Cifar图像分类器代码实现
做实验的时候一共要求做三个实验分别是只使用线性层实现,通过全连接实现,通过卷积实现,代码也是参考了许多前人的代码,有一定程度的修改,然而准确度低的不成样子,望各位海涵。
同时本次的实验是在python 3.7 Jupyter上运行的,Cifar数据在py文件同级目录下的data文件中。由于我的显卡不支持CUDA因此都是直接用cpu搞定的。最长的100个epoch可能要跑一两个小时左右,基本上40个epoch就可以得出大概的结果
仅使用线性层实现图像分类 正确率百分之四十
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
import torchvision
import datetime
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
# 训练模型的超参数
input_size = 3072
output_size = 10
num_epochs = 50
batch_size = 64
learning_rate = 0.001
train_dataset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
test_dataset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
batch_size=batch_size,
shuffle=False)
#线性层的建立
model = nn.Linear(input_size, output_size)
# 损失函数和优化算法
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
# train_loader的大小,也就是含有多少个bach。
total_step = len(train_loader)
# 训练模型
# 在整个数据集上迭代的次数
for epoch in range(num_epochs):
starttime = datetime.datetime.now()
# 每次取一个bach进行训练。
for i, (images, labels) in enumerate(train_loader):
# 将数据reshape到模型需要的大小。