PyTorch 实现 CIFAR - 10 图像分类

一、数据加载

借助 PyTorch 的 torchvision 工具加载 CIFAR - 10 数据集。预先将数据下载解压到当前目录的 data 目录，所以设置 download=False。通过 transforms.Compose 对数据做预处理，把图像转成张量并标准化。分别加载训练集和测试集，用 DataLoader 按批次加载数据，还定义了包含 10 类物体的类别标签。另外，能随机获取部分训练数据，通过自定义函数显示图像并打印标签，直观查看数据情况。

二、构建网络

依据卷积神经网络架构示意图构建网络。创建 CNNNet 类继承 nn.Module，在初始化方法里定义卷积层、池化层和全连接层等组件。forward 方法定义数据在网络中的前向传播路径，先经过卷积、激活、池化操作，再通过 view 调整张量形状，最后经过全连接层得到输出。同时，还能查看网络的参数总数以及网络结构，也可获取模型的前几层。

三、训练模型

训练时设置训练轮数为 10。在每一轮训练中，遍历训练数据加载器。先获取训练数据并将其移到合适的设备（CPU 或 GPU），然后将优化器的梯度清零。接着进行正向传播得到网络输出，计算损失值，再反向传播计算梯度，最后通过优化器更新网络参数。每经过一定数量的小批次，就显示当前的损失值，训练结束后提示 “Finished Training”。

四、模型评估

从测试数据加载器中获取数据，先显示测试图像并打印真实标签。然后将图像和标签移到相应设备，把图像输入训练好的网络得到输出。通过 torch.max 函数获取预测的类别，最后打印出预测的类别，以此评估模型在测试集上的表现。