介绍 windows + python3.6.3 + pycharm + pytorch0.3.0
import torchvision as 电视
import torchvision.transforms as 转换
import torch as t
得到torchvision.transforms import ToPILImage
显示=ToPILImage(),,,, #把张量转成图像,方便可视化
import matplotlib.pyplot as plt
import torchvision
import numpy as np
# # # # # # # # # # # # # # #数据加载与预处理
时间=transform transforms.Compose ([transforms.ToTensor(), #转为张量
,,,,,,,,,,,,,,,transforms.Normalize((0.5, 0.5, 0.5),(0.5, 0.5, 0.5), #归一化
,,,,,,,,,,,,,,,)
#训练集
小火车=tv.datasets.CIFAR10 (root=& # 39;/python 项目/测试/数据/& # 39;,
,,,,,,,,,,,,,,火车=True,
,,,,,,,,,,,,,,下载=True,
,,,,,,,,,,,,,,变换=变换)
装载量=t.utils.data.DataLoader(小火车,
,,,,,,,,,,,,,,,,,batch_size=4,
,,,,,,,,,,,,,,,,,洗牌=True,
,,,,,,,,,,,,,,,,,num_workers=0)
#测试集
testset=tv.datasets.CIFAR10 (root=& # 39;/python 项目/测试/数据/& # 39;,
,,,,,,,,,,,,,,火车=False,
,,,,,,,,,,,,,,下载=True,
,,,,,,,,,,,,,,变换=变换)
试验载荷=t.utils.data.DataLoader (testset,
,,,,,,,,,,,,,,,,,batch_size=4,
,,,,,,,,,,,,,,,,,洗牌=True,
,,,,,,,,,,,,,,,,,num_workers=0)
类=(& # 39;平面# 39;& # 39;车# 39;,& # 39;鸟# 39;,& # 39;猫# 39;,& # 39;鹿# 39;,& # 39;狗# 39;,& # 39;青蛙# 39;,& # 39;马# 39;,& # 39;船# 39;,& # 39;卡车# 39;)
(数据、标签)=小火车[100]
print(类(标签))
显示((数据+ 1)/2).resize ((100100))
#,dataiter=iter(装载量)
#,图片,标签=dataiter.next ()
#,print (& # 39; & # 39; . join(& # 39; 11% & # 39; %类[标签[j]], for j 拷贝范围(4)))
#,显示(tv.utils.make_grid(图片+ 1)/2).resize ((400100))
def imshow (img):
时间=img 才能;img /, 2, + 0.5
时间=npimg 才能;img.numpy ()
plt.imshow才能(np.transpose (npimg, (1,, 2,, 0)))
时间=dataiter iter(装载量)
图片,,labels =, dataiter.next ()
print (images.size ())
imshow (torchvision.utils.make_grid(图片)
plt.show() #关掉图片才能往后继续算
# # # # # # # # # # # # # # # # # # # # # # # # #定义网络
import torch.nn as 神经网络
import torch.nn.functional as F
class 净(nn.Module):
def 才能__init__(自我):
,,,超级(净,自我). __init__ ()
,,,self.conv1=nn.Conv2d (3、6、5)
,,,self.conv2=nn.Conv2d(5) 6日16日
,,,self.fc1=nn.Linear (16 * 5 * 5120)
,,,self.fc2=nn.Linear (120、84)
,,,self.fc3=nn.Linear(84年,10)
def 才能向前(自我,,x):
,,,x =, F.max_pool2d (F.relu (self.conv1 (x)), 2)
,,,x =, F.max_pool2d (F.relu (self.conv2 (x)), 2)
,,,x =, x.view(1日,16日,*,5,*,5)
,,,x =, F.relu (self.fc1 (x))
,,,x =, F.relu (self.fc2 (x))
,,,x =, self.fc3 (x)
,,,return x
净=()
打印(净)
# # # # # # # # # # # # #定义损失函数和优化器
得到torch import optim
标准=nn.CrossEntropyLoss ()
优化器=optim.SGD (net.parameters (), lr=0.01,动量=0.9)
# # # # # # # # # # # # # #训练网络
得到torch.autograd import 变量
import 时间
时间=start_time time.time ()
for epoch 拷贝范围(2):
,running_loss=0.0
for 才能;我data 拷贝列举(装载量,0):
,,,#输入数据
,,,=数据输入,标签
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
小编给大家分享一下怎么利用pytorch实现对CIFAR-10数据集的分类,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获、下面让我们一起去了解一下吧!
<强>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
<强>运行环境:
