PyTorch深度学习60分钟闪电战：04 训练一个分类器

本系列是PyTorch官网Tutorial Deep Learning with PyTorch: A 60 Minute Blitz 的翻译和总结。

1. PyTorch概览
2. Autograd - 自动微分
3. 神经网络
4. 训练一个分类器

下载本文的Jupyter NoteBook文件：60min_01_PyTorch Overview.ipynb

到目前，你已经知道了如何定义神经网络、计算损失、更新网络权重。

那么，数据呢？

数据

通常，当你处理图像，文本，音频或视频数据时，可以使用标准python包将数据加载到numpy数组中。然后便可以将数组转换为torch.*Tensor。

• 对于图像，Pillow，OpenCV等软件包很有用
• 对于音频，可以使用scipy和librosa等包
• 对于文本，基于Python或Cython的加载、NLTK和SpaCy都很有用

特别地，对于图像领域，我们创建了一个叫做torchvision的包，这个包包含了支持常见数据集（如Imagenet, CIFAR10, MNIST等）的数据加载器以及图像的数据转换器，即torchvision.datasets和torch.utils.data.DataLoader。

这提供了极大的便利，并且避免了编写样板代码。

在这个教程中，我们将会使用CIFAR10数据集。它具有以下类别：“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”。CIFAR-10中的图像尺寸为3×32×32，即尺寸为32x32像素的3通道彩色图像。

训练图像分类器

我们将按顺序执行以下步骤：

1. 使用以下命令加载和标准化CIFAR10训练和测试数据集 torchvision
2. 定义卷积神经网络
3. 定义损失函数
4. 根据训练数据训练网络
5. 在测试数据上测试网络

1. 加载CIFAR10并将其规则化

在torchvision的帮助下，加载CIFAR10非常容易。

import torch
import torchvision
import torchvision.transforms as transforms

torchvision数据集的输出是在[0,1]范围的PILImage。我们将它们转换成范围是[-1,1]的张量。

Note:

如果在Windows上运行时你遇到了一个BrokenPipeError，请尝试将torch.utils.data.DataLoader()的num_worker设置为0。

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',