CIFAR-10图像分类

我们将运用在前面几节中学到的知识来参加Kaggle竞赛，该竞赛解决了CIFAR-10图像分类问题。比赛网址是https://www.kaggle.com/c/cifar-10

基本思路

1. 加载数据集
2. 构建ResNet18模型
3. 训练模型
4. 可视化效果(可选)

基于pytorch的代码

使用的是CIFAR-10数据集

日常导入需要用到的python库

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import torchvision
import torchvision.transforms as transforms
import torchvision.datasets as datasets

据上几节所学知识都是torchvision.dataset.CIFAR10加载数据， 这次虽然也可以，但我们可以学一些新知识（使用torchvision.dataset.ImageFolder）

加载数据集

这里使用到数据增强（将图像扩成40 * 40 再随机裁剪32 * 32， 水平翻转图片， 对图像进行均值归一化操作）
ImageFolder都是自己已经下载好的数据集
然后和往常一样加载就可以了

transform_train = transforms.Compose([
    # 随机裁剪成32 * 32， 四周填充边长为4
    transforms.RandomCrop(32, padding=4),
    # 随机水平翻转 p=.5
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    # 均值，归一化
    transforms.Normalize((0.4731, 0.4822, 0.4465), (0.2212, 0.1994, 0.2010))
])

transform_test = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.4731, 0.4822, 0.4465), (0.2212, 0.1994, 0.2010))
])

train_data = datasets.ImageFolder("/home/kesci/input/CIFAR102891/cifar-10/train",
            transform=transform_train)
valid_data = datasets.ImageFolder("/home/kesci/input/CIFAR102891/cifar-10/valid",
            transform=transform_test)
test_data = datasets.ImageFolder("/home/kesci/input/CIFAR102891/cifar-10/test",
            transform=transform_test)

train_iter = torch.utils.data.DataLoader(train_data, batch_size=128,
            shuffle=True, 
            num_workers=4)
valid_iter = torch.utils.data.DataLoader(valid_data, batch