基于pytorch使用VGG模型实现对cifar数据集的分类

下面是一个使用PyTorch中的VGG模型对CIFAR数据集进行分类的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torchvision.models import vgg16

# 定义数据预处理的转换
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

# 加载训练集和测试集
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

# 创建数据加载器
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)

# 加载预训练的VGG模型
model = vgg16(pretrained=True)

# 修改最后一层全连接层的输出维度，使其适应CIFAR数据集的类别数（10个类别）
num_features = model.classifier[6].in_features
model.classifier[6] = nn.Linear(num_features, 10)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 训练模型
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

num_epochs = 10
for epoch in range(num_epochs):
    running_loss = 0.0
    for images, labels in train_loader:
        images = images.to(device)
        labels = labels.to(device)

        optimizer.zero_grad()

        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()

    print(f"Epoch {epoch+1} - Training loss: {running_loss / len(train_loader)}")

# 在测试集上评估模型
model.eval()
correct = 0
total = 0

with torch.no_grad():
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)

        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print(f"Accuracy on test set: {accuracy}%")

在上述代码中，首先定义了数据预处理的转换，将图像调整大小为224x224并进行归一化处理。然后使用`datasets.CIFAR10`类加载CIFAR-10数据集。接着创建数据加载器，指定数据集和批次大小。

然后使用`torchvision.models.vgg16`加载预训练的VGG模型，并修改最后一层全连接层的输出维度，以适应CIFAR数据集的类别数。定义损失函数和优化器。

接下来，将模型移动到GPU（如果可用），并进行训练。训练过程中，迭代训练数据并计算损失，并进行反向传播和参数更新。

训练完成后，将模型设置为评估模式，并在测试集上进行评估。计算模型在测试集上的准确率并打印结果。

请确保已经安装了PyTorch和torchvision库，并将数据集下载到指定的路径（在上述代码中为'./data'）。