cifar10图像分类Pytorch

### 使用 PyTorch 进行 CIFAR-10 图像分类

#### VGG 实现 CIFAR-10 图像识别
对于使用VGG架构来完成CIFAR-10图像分类任务，可以参考一个具体的项目实例[^1]。此项目提供了详细的入门级教程以及完整的代码实现。

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

# 数据预处理设置
transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])

transform_test = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])

# 加载CIFAR-10数据集
trainset = datasets.CIFAR10(root='./data', train=True,
                             download=True, transform=transform_train)

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

trainloader = DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2)
testloader = DataLoader(testset, batch_size=100, shuffle=False, num_workers=2)

# 构建VGG模型
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = models.vgg16(pretrained=False).to(device)

for param in model.parameters():
    param.requires_grad = False
    
num_ftrs = model.classifier[6].in_features
model.classifier[6] = nn.Linear(num_ftrs, 10).to(device)

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


def train_model(model, criterion, optimizer, scheduler=None, num_epochs=25):
    best_acc = 0.0
    for epoch in range(num_epochs):
        running_loss = 0.0
        corrects = 0
        
        for inputs, labels in trainloader:
            inputs, labels = inputs.to(device), labels.to(device)
            
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()

            _, preds = torch.max(outputs, 1)
            corrects += torch.sum(preds == labels.data)
        
        acc = corrects.double() / len(trainset)
        print(f"Epoch {epoch}/{num_epochs - 1} Loss: {loss.item():.4f}, Acc: {acc:.4f}")
    
    return model


if __name__ == '__main__':
    trained_model = train_model(model=model, criterion=criterion, optimizer=optimizer)

#### ResNet 实现 CIFAR-10 图像分类
另一个常用的方法是采用ResNet结构来进行CIFAR-10的分类工作[^2]。这个方法同样有着详尽的教学资料和支持材料可供查阅。

#### LeNet 分类器应用到 CIFAR-10 上
最后一种方式则是利用经典的LeNet网络模型去解决同样的问题[^3]。这种方式虽然相对简单一些，但对于初学者来说是一个很好的起点。