用pytorch进行CIFAR-10数据集分类

CIFAR-10.（Canadian Institute for Advanced Research）是由 Alex Krizhevsky、Vinod Nair 与 Geoffrey Hinton 收集的一个用于图像识别的数据集，60000个32*32的彩色图像，50000个training data，10000个 test data 有10类，飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车，每类6000张图。与MNIST相比，色彩、颜色噪点较多，同一类物体大小不一、角度不同、颜色不同。

先要对该数据集进行分类

步骤如下：
1.使用torchvision加载并预处理CIFAR-10数据集、
2.定义网络
3.定义损失函数和优化器
4.训练网络并更新网络参数
5.测试网络

 import torchvision as tv            #里面含有许多数据集
 import torch
 import torchvision.transforms as transforms    #实现图片变换处理的包
 from torchvision.transforms import ToPILImage

 #使用torchvision加载并预处理CIFAR10数据集
 show = ToPILImage()         #可以把Tensor转成Image,方便进行可视化
 transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean = (0.5,0.5,0.5),std = (0.5,0.5,0.5))])#把数据变为tensor并且归一化range [, ] -> [0.0,1.0]
 trainset = tv.datasets.CIFAR10(root='data1/',train = True,download=True,transform=transform)
 trainloader = torch.utils.data.DataLoader(trainset,batch_size=,shuffle=True,num_workers=)
 testset = tv.datasets.CIFAR10('data1/',train=False,download=True,transform=transform)
 testloader = torch.utils.data.DataLoader(testset,batch_size=,shuffle=True,num_workers=)
 classes = ('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')
 (data,label) = trainset[]
 print(classes[label])#输出ship
 show((data+)/).resize((,))
 dataiter = iter(trainloader)
 images, labels = dataiter.next()
 print(' '.join('%11s'%classes[labels[j]] for j in range()))
 show(tv.utils.make_grid((images+)/)).resize((,))#make_grid的作用是将若干幅图像拼成一幅图像

 #定义网络
 import torch.nn as nn
 import torch.nn.functional as F
 class Net(nn.Module):
     def __init__(self):
         super(Net,self).__init__()
         self.conv1 = nn.Conv2d(,,)
         self.conv2 = nn.Conv2d(,,)
         self.fc1 = nn.Linear(**,)
         self.fc2 = nn.Linear(,)
         self.fc3 = nn.Linear(,)
     def forward(self,x):
         x = F.max_pool2d(F.relu(self.conv1(x)),(,))
         x = F.max_pool2d(F.relu(self.conv2(x)),)
         x = x.view(x.size()[],-)
         x = F.relu(self.fc1(x))
         x = F.relu(self.fc2(x))
         x = self.fc3(x)
         return  x

 net = Net()
 print(net)

 #定义损失函数和优化器
 from torch import optim
 criterion  = nn.CrossEntropyLoss()#定义交叉熵损失函数
 optimizer = optim.SGD(net.parameters(),lr = 0.001,momentum=0.9)

 #训练网络
 from torch.autograd  import Variable
 for epoch in range():
     running_loss = 0.0
     for i, data in enumerate(trainloader, ):#enumerate将其组成一个索引序列，利用它可以同时获得索引和值,enumerate还可以接收第二个参数，用于指定索引起始值
         inputs, labels = data
         inputs, labels = Variable(inputs), Variable(labels)
         optimizer.zero_grad()
         outputs = net(inputs)
         loss  = criterion(outputs, labels)
         loss.backward()
         optimizer.step()
         running_loss += loss.item()
         if i %  ==:
             print('[%d, %5d] loss: %.3f'%(epoch+,i+,running_loss/))
             running_loss = 0.0
 print("----------finished training---------")
 dataiter = iter(testloader)
 images, labels = dataiter.next()
 print('实际的label: ',' '.join('%08s'%classes[labels[j]] for j in range()))
 show(tv.utils.make_grid(images/ - 0.5)).resize((,))#？？？？？
 outputs = net(Variable(images))
 _, predicted = torch.max(outputs.data,)#返回最大值和其索引
 print('预测结果:',' '.join('%5s'%classes[predicted[j]] for j in range()))
 correct =
 total =
 for data in testloader:
     images, labels = data
     outputs = net(Variable(images))
     _, predicted = torch.max(outputs.data, )
     total +=labels.size()
     correct +=(predicted == labels).sum()
 print('10000张测试集中的准确率为: %d %%'%(*correct/total))
 if torch.cuda.is_available():
     net.cuda()
     images = images.cuda()
     labels = labels.cuda()
     output = net(Variable(images))
     loss = criterion(output, Variable(labels))

学习率太大会很难逼近最优值，所以要注意在数据集小的情况下学习率尽量小一些，epoch尽量大一些。

这个例子是陈云的深度学习pytorch框架书上的一个demo，运行该代码需要注意的是数据集的下载问题，因为运行程序很可能数据集下载很慢或者直接下载失败，因此推荐使用迅雷根据指定网址直接下载，半分钟就可以下载好。