基于alexnet cifar-10 pytorch

好的，我来为您介绍如何在PyTorch中使用AlexNet对CIFAR-10数据集进行训练。以下是基于PyTorch的代码示例：

首先，我们需要加载CIFAR-10数据集。PyTorch提供了内置的方法来加载和预处理数据集：

import torch
import torchvision
import torchvision.transforms as transforms

# 定义数据预处理
transform = transforms.Compose(
    [transforms.Resize((227, 227)),
     transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 加载CIFAR-10数据集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          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=64,
                                         shuffle=False, num_workers=2)

接下来，我们需要定义AlexNet模型并进行微调。在这里，我们将最后一层的输出从1000个类别更改为10个类别，以适应CIFAR-10数据集的分类任务：

import torch.nn as nn
import torch.optim as optim
from torchvision.models import alexnet

# 加载预训练的AlexNet模型
model = alexnet(pretrained=True)

# 将最后一层的输出从1000个类别更改为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)

最后，我们可以使用反向传播算法和随机梯度下降算法来训练这个模型：

# 训练模型
for epoch in range(10):  # 遍历数据集10次

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取输入并将其送入模型中
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        
        # 计算损失并执行反向传播
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 打印统计信息
        running_loss += loss.item()
        if i % 200 == 199:    # 每200个batch打印一次
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 200))
            running_loss = 0.0

print('Finished Training')

最后，我们可以使用测试集来测试训练出的模型的性能：

# 在测试集上测试模型
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

希望这能对您有所帮助！