深度学习第P2周：CIFAR10彩色图片识别

>- **🍨 本文为🔗365天深度学习训练营 中的学习记录博客**
>- **🍖 原作者：K同学啊**

 本人往期文章可查阅： 深度学习总结 

📌第P2周：彩色图片识别📌

• 难度：小白入门⭐
• 语言：Python3、Pytorch

🍺 要求：

1. 学习如何编写一个完整的深度学习程序
2. 手动推导卷积层与池化层的计算过程

🔔本次的重点在于学会构建CNN网络

🏡 我的环境：

• 语言环境：Python3.11.7

• 编译器：pyCharm 2024.1.3

• 深度学习环境：Pytorch

一、 前期准备

1. 设置GPU

如果设备上支持GPU就使用GPU,否则使用CPU

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision

# 设置硬件设备，如果有GPU则使用，没有则使用cpu
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

运行结果：

因办公室环境不允许，所以一直无法安装上GPU版本，故我的依旧显示结果为：cpu

2. 导入数据

2.1下载数据

CIFAR-10数据集的内容
CIFAR10数据集共有60000个样本，每个样本都是一张32*32像素的RGB图像（彩色图像），每个RGB图像又必定分为3个通道（R通道、G通道、B通道）。这60000个样本被分成了50000个训练样本和10000个测试样本。
CIFAR10数据集是用来监督学习训练的，那么每个样本就一定都配备了一个标签值（用来区分这个样本是什么），不同类别的物体用不同的标签值，CIFAR10中有10类物体，标签值分别按照0~9来区分,他们分别是飞机（ airplane ）、汽车（ automobile ）、鸟（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、青蛙（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。

使用dataset下载CIFAR10数据集，并划分好训练集与测试集

#导入数据
train_ds=torchvision.datasets.CIFAR10(root='D:\THE MNIST DATABASE',train=True,
                                      transform=torchvision.transforms.ToTensor(),#将数据类型转化为Tensor
                                      download=False)
test_ds=torchvision.datasets.CIFAR10(root='D:\THE MNIST DATABASE',train=False,
                                     transform=torchvision.transforms.ToTensor(),#将数据类型转化为Tensor
                                     download=False)

因办公室网络缘故，依然无法下载，显示超时错误，故利用别人百度云盘分享的CIFAR10的压缩包cifar-10-python.tar下载下来，放置于我的固定文件夹中，运行此段代码后发现压缩包已经被解压并自动生成文件夹cifar-10-batches-py，如图所示：

文件夹打开后内容如下所示，证明我们的数据已经准备完