CIFAR10 resnet

### 关于CIFAR10数据集上的ResNet模型实现

#### ResNet简介
ResNet（残差网络）通过引入跳跃连接解决了深层神经网络中的梯度消失问题，使得可以训练非常深的卷积神经网络。这种架构显著提高了图像分类任务的效果。

#### CIFAR10数据集描述
CIFAR10是一个广泛用于机器学习研究的小规模图片识别数据库，由10类彩色图像组成，每类有6000张32×32像素大小的照片[^1]。

#### 使用PyTorch框架下的ResNet模型实例化与应用到CIFAR10的数据处理流程如下：

import torch
from torchvision import datasets, transforms, models
from torch.utils.data import DataLoader

# 定义预处理操作
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载并准备CIFAR10数据集
trainset = datasets.CIFAR10(root='./data', train=True,
                             download=True, transform=transform)
testset = datasets.CIFAR10(root='./data', train=False,
                           download=True, transform=transform)

batch_size = 64
trainloader = DataLoader(trainset, batch_size=batch_size, shuffle=True)
testloader = DataLoader(testset, batch_size=batch_size, shuffle=False)

device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 实例化ResNet模型
model = models.resnet18(pretrained=False).to(device)

# 修改最后一层全连接层以适应CIFAR10类别数
num_ftrs = model.fc.in_features
model.fc = torch.nn.Linear(num_ftrs, 10).to(device)

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

for epoch in range(2):  # 进行两个epoch的学习作为简单示范
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data[0].to(device), data[1].to(device)

        optimizer.zero_grad()

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

        running_loss += loss.item()
        if i % 2000 == 1999:  # 打印每个mini-batch的结果
            print(f'[Epoch {epoch + 1}, Batch {i + 1}] Loss: {running_loss / 2000:.3f}')
            running_loss = 0.0

print('Finished Training')

此代码片段展示了如何利用`torchvision.models`库加载未经预先训练过的ResNet-18版本，并针对CIFAR10进行了必要的调整以便能够正确执行分类任务。注意这里只运行了两次完整的遍历周期来进行快速演示，在实际项目中通常会设置更多的epochs以及更复杂的优化策略来获得更好的性能表现。