使用Pytorch构建一个分类器(CIFAR10模型)

最新推荐文章于 2024-08-05 23:33:38 发布

赵有才er

最新推荐文章于 2024-08-05 23:33:38 发布

阅读量2.4k

点赞数 9

分类专栏： NLP 文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/weixin_57231611/article/details/120977848

版权

该博客介绍了如何使用PyTorch构建和训练一个卷积神经网络（CNN），对CIFAR10数据集进行图像分类。首先，通过torchvision下载并预处理数据集，接着定义一个简单的CNN模型，然后设置损失函数和优化器进行训练。在训练过程中，观察并记录损失值。最后，测试模型在测试集上的性能，分析模型在各个类别上的准确率。

摘要由CSDN通过智能技术生成

分类器任务和数据介绍

·构建一个将不同图像进行分类的神经网络分类器，对输入的的图片进行判别并完成分类。

·本案例采用CIFAR10数据集作为原始图片数据

·CIFAR10数据集介绍：数据集中每张图片的尺寸是3*32*32，代表彩色3通道

·CIFAR10数据集共有10种不同的分类，分别是"airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck".

·CIFAR10数据集的样例如下图所示

训练分类器的步骤

·1：使用torchvision下载CIFAR10数据集

·2：定义卷积神经网络

·3：定义损失函数

·4：在训练集上训练模型

·5：在测试集上测试模型

·1：使用torchvision下载CIFAR10数据集

·导入torchvision包来辅助下载数据集

import torch
import torchvision
import torchvision.transforms as transforms

·下载数据集并对图片进行调整，因为torchvision数据集输出的是PILImage格式，数据域在[0,1].我们将其转换为标准数据域[-1,1]的张量格式

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', &#