tiny imagenet 训练_Dataloader读取图片集并训练网络

要训练 Tiny ImageNet 数据集，需要使用 DataLoader 读取图片集并训练网络。下面是一个示例代码，可以作为参考：

import torch
import torchvision
import torchvision.transforms as transforms

# 定义数据转换
transform_train = transforms.Compose([
    transforms.RandomResizedCrop(size=64, scale=(0.8, 1.0)),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(brightness=0.4, contrast=0.4, saturation=0.4),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225])
])

transform_test = transforms.Compose([
    transforms.Resize(size=64),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225])
])

# 使用 DataLoader 加载数据集
trainset = torchvision.datasets.ImageFolder(root='./tiny-imagenet-200/train', transform=transform_train)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True, num_workers=4)

testset = torchvision.datasets.ImageFolder(root='./tiny-imagenet-200/val', transform=transform_test)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False, num_workers=4)

# 定义模型
model = YourModel()

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(trainloader):
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(trainloader), loss.item()))

# 测试模型
model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in testloader:
        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 test images: {} %'.format(100 * correct / total))

在上面的示例代码中，我们使用了两个数据转换：一个用于训练集，一个用于测试集。训练集的数据转换包括随机裁剪、随机翻转和颜色抖动等增强操作，测试集的数据转换只包括调整大小和归一化操作。

接着，我们使用 DataLoader 加载 Tiny ImageNet 数据集，并定义了模型、损失函数和优化器。在训练循环中，我们首先进行前向传播和计算损失，在反向传播和优化之后，每 100 个批次打印一次损失。在测试循环中，我们使用训练好的模型对测试集进行预测，并计算模型的准确率。