Pytorch-学习案例1（CIFAR-10图像数据集分类）

最新推荐文章于 2024-07-31 22:36:01 发布

樊花的花花

最新推荐文章于 2024-07-31 22:36:01 发布

阅读量1.4k

点赞数

分类专栏： PyTorch进阶学习

本文链接：https://blog.csdn.net/xulili18714852395/article/details/106261700

版权

这篇博客介绍了如何使用PyTorch进行CIFAR-10图像数据集的分类任务。CIFAR-10包含60000张32x32彩色图片，分为10个类别。文章涵盖了数据集的下载、网络模型的定义、损失函数和优化器的选择，以及训练过程和准确率计算。经过4轮训练，网络的准确率达到了40%以上，显示了深度学习的有效性。

摘要由CSDN通过智能技术生成

对于深度学习中数据加载及预处理，PyTorch提供了封装好的接口供用户快速调用，极大简化和加快数据处理流程，数据集主要保存在torchvison中。

数据集：CIFAR-10

目标：分类

数据集介绍：该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。一个常用的彩色图片数据集，它有10个类别: 'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'。每张图片都是3×32×323×32×32，也即3-通道彩色图片，分辨率为32×3232×32。

数据集下载，download改为True即可，自己下载放在路径也可以。

import torchvision as tv
import torchvision.transforms as transforms
from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor转成Image，方便可视化
# 第一次运行程序torchvision会自动下载CIFAR-10数据集，
# 定义对数据的预处理
transform = transforms.Compose([
        transforms.ToTensor(), # 转为Tensor
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化
                             ])

最低0.47元/天解锁文章