实验内容与步骤 （1） 加载及预处理CIFAR-10图像数据。 （2） 构建基于CNN的CIFAR-10分类网络。 （3） 编译基于CNN的CIFAR-10分类网络。 （4） 训练基于CNN的CIFAR-10分类网络。 （5） 评估基于CNN的CIFAR-10分类模型性能。

实验内容与步骤如下：

1. **加载及预处理CIFAR-10图像数据**：
- 使用如`torchvision.datasets`库加载CIFAR-10数据集，指定数据目录、是否下载和数据变换（例如归一化、随机裁剪和翻转）：

   from torchvision import datasets, transforms
   transform_train = transforms.Compose([transforms.RandomHorizontalFlip(), transforms.RandomCrop(32, padding=4), transforms.ToTensor(), transforms.Normalize(mean=[0.4914, 0.4822, 0.4465], std=[0.2023, 0.1994, 0.2010])])
   transform_test = transforms.Compose([transforms.ToTensor(), transforms.Normalize(mean=[0.4914, 0.4822, 0.4465], std=[0.2023, 0.1994, 0.2010])])
   train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train)
   test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test)

2. **构建基于CNN的CIFAR-10分类网络**：
- 例如，可以使用Keras或PyTorch中的预定义模型，如LeNet、ResNet、VGG等，或者自定义一个网络结构：

   from torchvision.models import resnet18
   net = resnet18(pretrained=True)
   num_classes = 10
   net.fc = nn.Linear(net.fc.in_features, num_classes)

3. **编译基于CNN的CIFAR-10分类网络**：
- 设置损失函数（如交叉熵）、优化器和可能的额外配置（如学习率调度）：

   device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
   criterion = nn.CrossEntropyLoss()
   optimizer = torch.optim.AdamW(net.parameters(), lr=0.001)
   scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)

4. **训练基于CNN的CIFAR-10分类网络**：
- 进行若干轮迭代，每次迭代包含前向传播、计算损失、反向传播和更新权重：

   epochs = 20
   for epoch in range(epochs):
       train_loss, train_acc = train_fn(net, train_loader, criterion, optimizer, device)
       val_loss, val_acc = validate_fn(net, test_loader, criterion, device)
       scheduler.step()

5. **评估基于CNN的CIFAR-10分类模型性能**：
- 计算测试集的精度或者其他性能指标，如混淆矩阵或精确度、召回率等：

   def evaluate_model(net, dataloader, criterion, device):
       net.eval()
       running_loss = 0.0
       running_corrects = 0
       with torch.no_grad():
           for inputs, labels in dataloader:
               inputs = inputs.to(device)
               labels = labels.to(device)
               outputs = net(inputs)
               loss = criterion(outputs, labels)
               _, preds = torch.max(outputs, 1)
               running_loss += loss.item() * inputs.size(0)
               running_corrects += torch.sum(preds == labels.data)
       return running_loss / len(dataloader.dataset), running_corrects.double() / len(dataloader.dataset)

   test_loss, test_acc = evaluate_model(net, test_loader, criterion, device)
   print(f"Test Loss: {test_loss:.4f}, Test Acc: {test_acc*100:.2f}%")