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
1 import torchvision as tv #里面含有许多数据集 2 import torch 3 import torchvision.transforms as transforms #实现图片变换处理的包 4 from torchvision.transforms import ToPILImage 5 6 #使用torchvision加载并预处理CIFAR10数据集 7 show = ToPILImage() #可以把Tensor转成Image,方便进行可视化 8 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, 255] -> [0.0,1.0] 9 trainset = tv.datasets.CIFAR10(root='data1/',train = True,download=True,transform=transform) 10 trainloader = torch.utils.data.DataLoader(trainset,batch_size=4,shuffle=True,num_workers=0) 11 testset = tv.datasets.CIFAR10('data1/',train=False,download=True,transform=transform) 12 testloader = torch.utils.data.DataLoader(testset,batch_size=4,shuffle=True,num_workers=0) 13 classes = ('plane','car','bird','cat','deer','dog','frog','horse','ship','truck') 14 (data,label) = trainset[100] 15 print(classes[label])#输出ship 16 show((data+1)/2).resize((100,100)) 17 dataiter = iter(trainloader) 18 images, labels = dataiter.next() 19 print(' '.join('%11s'%classes[labels[j]] for j in range(4))) 20 show(tv.utils.make_grid((images+1)/2)).resize((400,100))#make_grid的作用是将若干幅图像拼成一幅图像 21 22 #定义网络 23 import torch.nn as nn 24 import torch.nn.functional as F 25 class Net(nn.Module): 26 def __init__(self): 27 super(Net,self).__init__() 28 self.conv1 = nn.Conv2d(3,6,5) 29 self.conv2 = nn.Conv2d(6,16,5) 30 self.fc1 = nn.Linear(16*5*5,120) 31 self.fc2 = nn.Linear(120,84) 32 self.fc3 = nn.Linear(84,10) 33 def forward(self,x): 34 x = F.max_pool2d(F.relu(self.conv1(x)),(2,2)) 35 x = F.max_pool2d(F.relu(self.conv2(x)),2) 36 x = x.view(x.size()[0],-1) 37 x = F.relu(self.fc1(x)) 38 x = F.relu(self.fc2(x)) 39 x = self.fc3(x) 40 return x 41 42 net = Net() 43 print(net) 44 45 #定义损失函数和优化器 46 from torch import optim 47 criterion = nn.CrossEntropyLoss()#定义交叉熵损失函数 48 optimizer = optim.SGD(net.parameters(),lr = 0.001,momentum=0.9) 49 50 #训练网络 51 from torch.autograd import Variable 52 for epoch in range(2): 53 running_loss = 0.0 54 for i, data in enumerate(trainloader, 0):#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 55 inputs, labels = data 56 inputs, labels = Variable(inputs), Variable(labels) 57 optimizer.zero_grad() 58 outputs = net(inputs) 59 loss = criterion(outputs, labels) 60 loss.backward() 61 optimizer.step() 62 running_loss += loss.item() 63 if i % 2000 ==1999: 64 print('[%d, %5d] loss: %.3f'%(epoch+1,i+1,running_loss/2000)) 65 running_loss = 0.0 66 print("----------finished training---------") 67 dataiter = iter(testloader) 68 images, labels = dataiter.next() 69 print('实际的label: ',' '.join('%08s'%classes[labels[j]] for j in range(4))) 70 show(tv.utils.make_grid(images/2 - 0.5)).resize((400,100))#？？？？？ 71 outputs = net(Variable(images)) 72 _, predicted = torch.max(outputs.data,1)#返回最大值和其索引 73 print('预测结果:',' '.join('%5s'%classes[predicted[j]] for j in range(4))) 74 correct = 0 75 total = 0 76 for data in testloader: 77 images, labels = data 78 outputs = net(Variable(images)) 79 _, predicted = torch.max(outputs.data, 1) 80 total +=labels.size(0) 81 correct +=(predicted == labels).sum() 82 print('10000张测试集中的准确率为: %d %%'%(100*correct/total)) 83 if torch.cuda.is_available(): 84 net.cuda() 85 images = images.cuda() 86 labels = labels.cuda() 87 output = net(Variable(images)) 88 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。