Pytorch利用CIFAR10实现图像的2分类

PyTorch是一个流行的深度学习框架，可以用来处理CIFAR-10数据集进行图像分类任务。CIFAR-10是一个包含60,000张32x32彩色图像的数据集，分为10个类别。为了进行2分类，例如将数据集划分为两个类别（比如猫和狗），你可以按照以下步骤操作：

1. **导入库**：首先，你需要导入必要的库，如`torch`, `torchvision`, 和 `datasets`。

import torch
from torchvision import datasets, transforms

2. **数据预处理**：对数据进行标准化、转换为Tensor，并划分训练集和测试集。

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 对比度归一化
])

train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.CIFAR10(root='./data', train=False, transform=transform)

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)

3. **构建模型**：选择一个适合2分类的卷积神经网络（CNN）架构，如LeNet, VGG, 或 ResNet。

model = torch.nn.Sequential(
    torch.nn.Conv2d(3, 16, kernel_size=3, padding=1),
    torch.nn.ReLU(),
    torch.nn.MaxPool2d(kernel_size=2, stride=2),
    ...,
    torch.nn.Linear(128, 2)  # 输出层只有一个节点，对应于两个类别
)

4. **损失函数和优化器**：使用二元交叉熵作为损失函数，SGD或其他优化器如Adam。

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

5. **训练过程**：遍历训练集，前向传播、计算损失、反向传播和更新权重。

6. **评估模型**：在测试集上评估模型性能。

7. **保存和使用模型**：如果想要在新的数据上进行预测，只需加载模型并调用 `.forward()` 方法。