PyTorch CIFAR-10 LeNet：一个简单的图像分类模型

本文介绍了如何使用PyTorch库来构建一个简单的图像分类模型LeNet，以对CIFAR-10数据集中的图像进行分类。我们将逐步解释代码，并提供相应的代码示例。

CIFAR-10数据集简介

CIFAR-10是一个常用的用于图像分类任务的数据集，其中包含了10个类别的60000张彩色图像，每个类别有6000张图像。这些图像的尺寸是32x32，共有三个颜色通道（红色，绿色，蓝色）。数据集被分为训练集和测试集，其中训练集包含50000张图像，测试集包含10000张图像。

LeNet模型简介

LeNet是一个经典的卷积神经网络模型，最初用于手写数字识别任务。它包含了卷积层、池化层和全连接层，并通过多个这样的层进行特征提取和分类。在本文中，我们将使用LeNet模型对CIFAR-10数据集中的图像进行分类。

PyTorch实现LeNet模型

首先，我们需要导入PyTorch库以及其他必要的模块。我们还需要下载并加载CIFAR-10数据集。

import torch
import torchvision
import torchvision.transforms as transforms

# 下载并加载CIFAR-10数据集
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

接下来，我们定义LeNet模型。

import torch.nn as nn
import torch.nn.functional as F

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = LeNet()

定义好模型后，我们需要定义损失函数和优化器。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

接下来，我们开始训练模型。

for epoch in range(2):  # 迭代两次，你可以调整迭代次数
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    # 每2000个小批次打印一次损失值
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

最后，我们使用测试集对模型进行测试，并计算模型的准确率。

correct = 0
total = 0
with torch.no_grad():