深度学习 pytorch cifar10数据集训练

1.加载数据集，并对数据集进行增强，类型转换
官网cifar10数据集
附链接：https://www.cs.toronto.edu/~kriz/cifar.html

读取数据过程中，可以改变batch_size和num_workers来加快训练速度

transform=transforms.Compose([#图像增强transforms.Resize(120),transforms.RandomHorizontalFlip(),transforms.RandomCrop(96),transforms.ColorJitter(brightness=0.5,contrast=0.5,hue=0.5),#转变为tensor 正则化transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5)) #正则化])trainset=tv.datasets.CIFAR10(root=r'E:\桌面\资料\cv3\数据集\cifar-10-batches-py',train=True,download=True,transform=transform)trainloader=data.DataLoader(trainset,batch_size=8,shuffle=True, #乱序num_workers=4,
)testset=tv.datasets.CIFAR10(root=r'E:\桌面\资料\cv3\数据集\cifar-10-batches-py',train=False,download=True,transform=transform)testloader=data.DataLoader(testset,batch_size=2,shuffle=False,num_workers=2)

net网络：

   class Net(nn.Module):def  __init__(self):super(Net, self).__init__()self.conv1=nn.Conv2d(in_channels=3,out_channels=6,kernel_size=5)self.conv2=nn.Conv2d(in_channels=6,out_channels=16,kernel_size=5)self.max=nn.MaxPool2d(2,2)self.q1=nn.Linear(16*441,120)self.q2=nn.Linear(120,84)self.q3=nn.Linear(84,10)self.relu=nn.ReLU()def forward(self,x):x1=self.max(F.relu(self.conv1(x)))x2=F.max_pool2d(self.relu(self.conv2(x1)),2)x3=x2.view(x2.size()[0],-1)x4=F.relu(self.q1(x3))x5=F.relu(self.q2(x4))x6=self.q3(x5)return x6

训练模型

    net=Net()#损失函数loss=nn.CrossEntropyLoss()opt=optim.SGD(net.parameters(),lr=0.001)for epoch in range(5):running_loss=0.0for i,data in enumerate(trainloader,0):inputs,labels=datainputs=inputs.cuda()labels=labels.cuda()inputs,labels=Variable(inputs),Variable(labels)opt.zero_grad()net.to(torch.device('cuda:0'))h=net(inputs)cost=loss(h,labels)cost.backward()opt.step()running_loss+=cost.item()if i%2000==1999:print('[%d,%5d] loss:%.3f' %(epoch+1,i+1,running_loss/2000))running_loss=0.0torch.save(net.state_dict(),r'net.pth')correct=0total=0for data in testloader:images,labels=dataoptputs=net(Variable(images.cuda()))_,predicted=torch.max(optputs.cpu(),1)total+=labels.size(0)correct+=(predicted==labels).sum()print("准确率: %d %%" %(100*correct/total))

接下来可以直接进行训练

在运行过程中会出现虚拟内存不够的情况，可以调整虚拟内存大小，解决这一问题。

深度学习 pytorch cifar10数据集训练相关推荐

【神经网络与深度学习】CIFAR10数据集介绍，并使用卷积神经网络训练图像分类模型——[附完整训练代码]
[神经网络与深度学习]CIFAR-10数据集介绍,并使用卷积神经网络训练模型--[附完整代码] 一.CIFAR-10数据集介绍 1.1 CIFAR-10数据集的内容 1.2 CIFAR-10数据集的结 ...
【神经网络与深度学习】CIFAR-10数据集介绍
CIFAR-10数据集含有6万个32*32的彩色图像,共分为10种类型,由 Alex Krizhevsky, Vinod Nair和 Geoffrey Hinton收集而来.包含50000张训练图片, ...
深度学习入门 FashionMNIST数据集训练和测试（30层神经网路）
使用pytorch框架.模型包含13层卷积层.2层池化层.15层全连接层.为什么叠这么多层?就是玩. FashionMNIST数据集包含训练集6w张图片,测试集1w张图片,每张图片是单通道.大小28× ...
Pytroch 深度学习跑CIFAR10数据集
CPU跑 from torch.utils.tensorboard import SummaryWriter#from model import *import torchvision from to ...
pytorch 训练过程acc_深度学习Pytorch实现分类模型
今天将介绍深度学习中的分类模型,以下主要介绍Softmax的基本概念.神经网络模型.交叉熵损失函数.准确率以及Pytorch实现图像分类.01Softmax基本概念在分类问题中,通常标签都为类别,可 ...
【数据集加载 DatasetDataLoader 模块实现与源码详解深度学习 Pytorch笔记 B站刘二大人（7/10）】
数据集加载 Dataset&DataLoader 模块实现与源码详解深度学习 Pytorch笔记 B站刘二大人 (7/10) 模块介绍在本节中没有关于数学原理的相关介绍,使用的数据集和类型 ...
【深度学习】图像数据集处理常用方法合集（部分基于pytorch）
[深度学习]图像数据集处理常用方法合集(部分基于pytorch) 1 图像数据集预处理的目的1.1 灰度图转化1.2 高斯滤波去除高斯噪声 2 使用双峰法进行图像二值化处理2.1 图像直方图2.2 双 ...
【动手学深度学习PyTorch版】27 数据增强
上一篇请移步[动手学深度学习PyTorch版]23 深度学习硬件CPU 和 GPU_水w的博客-CSDN博客目录一.数据增强 1.1 数据增强(主要是关于图像增强) ◼ CES上的真实的故事 ◼ ...
【火炉炼AI】深度学习003-构建并训练深度神经网络模型
[火炉炼AI]深度学习003-构建并训练深度神经网络模型 (本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotl ...

深度学习 pytorch cifar10数据集训练

深度学习 pytorch cifar10数据集训练相关推荐

最新文章

热门文章