CIFAR10分類（AlexNet）

＃！は/ usr / binに/のenvのpython 
＃のエンコーディング：UTF-8 
''」
@author：liualex 
@contact：[email protected] 
@software：pycharm 
@file：main.py 
@time：2019年8月16日16： 21 
@desc：
「」」

インポートトーチ
 インポートとしてNN torch.nn
 インポートtorchvisionの
 インポート変換としてtorchvision.transforms
 インポートデータローダとしてtorch.utils.data.dataloader
 インポートPDB
 インポートのOS 
はos.environ [ 『CUDA_VISIBLE_DEVICES 』 = 『3 』

変換 =transforms.Compose（
    [ 
     transforms.RandomHorizo​​ntalFlip（）、
     transforms.RandomGrayscale（）、
     transforms.ToTensor（）、
     transforms.Normalize（（ 0.5、0.5、0.5）、（0.5、0.5、0.5 ））
    ] 
）


train_set = torchvision.datasets .CIFAR10（
    ルート = " ./data " 、
    ダウンロード = Trueの場合、
    電車 = Trueの場合、
    変換 = 変換
）

train_loader = dataloader.DataLoader（
    データセット = train_set、 
    BATCH_SIZE = 100、
    シャッフル = 偽
）

test_set = torchvision.datasets.CIFAR10（
    ルート = " ./data " 、
    ダウンロード = 真、
    電車 = Falseを、
    変換 = 変換
）
test_loader = dataloader.DataLoader（
    データセット = test_set、
    BATCH_SIZE = 100 、
    シャッフル = 真
）

クラスAlexNet（nn.Module）：

    デフ __init__ （自己、class_num）：
        スーパー（AlexNet、自己）。__init__ （）
        self.features = nn.Sequential（
            nn.Conv2d（ 3、64、kernel_size = 3、ストライド= 1、パディング= 1 ）、
            nn.ReLU（インプレース = TRUE）、
            nn.MaxPool2d（kernel_size = 2、ストライド= 2 ）、
            nn.Conv2d（ 64、192、kernel_size = 3、ストライド= 1、パディング= 1 ）、
            nn.ReLU（インプレース = TRUE）、
            nn.MaxPool2d（kernel_size = 2、ストライド= 2 ）、
            nn.Conv2d （ 192、384、kernel_size = 3、ストライド= 1、パディング= 1 ）、
            nn.ReLU（インプレース =真）、
            nn.Conv2d（ 384、256、kernel_size = 3、ストライド= 1、パディング= 1 ）、
            nn.ReLU（インプレース = 真）、
            nn.Conv2d（ 256、256、kernel_size = 3、パディング= 1 ）、
            nn.ReLU（インプレース = TRUE）、
            nn.MaxPool2d（kernel_size = 2、ストライド= 2 ）、 
        ）
        self.classifier = nn.Sequential（
            nn.Dropout（）、
            nn.Linear（ 256 * 4 * 4、4096 ）、
            nn.ReLU（インプレース = TRUE）、 
            nn.Dropout（）、
            nn.Linear（ 4096、4096 ）、
            nn.ReLU（インプレース = TRUE）、
            nn.Linear（ 4096 、class_num）、 
        ）

    デフ前方（自己、X）：
        X = self.features（x）は
        、X = x.view（x.size（0）、256 * 4×4 ）
        X = self.classifier（X）
         リターンXの


デバイス = torch.device（" CUDA "  なら torch.cuda.is_available（）他 " CPU " ）
モデル = AlexNet（10 ）
model.to（デバイス）

epoches 
LR = 100 = 0.001 
基準 = nn.CrossEntropyLoss（）
オプティマイザ = torch.optim.Adam（model.parameters（）、LR = LR）

のためのエポックにおける範囲（epoches）
     のための I、（画像、ラベル）に列挙（train_loader ）：
        画像 = images.to（装置）
        ラベル = labels.to（デバイス）

        出力 = モデル（画像）
        損失 = 基準（出力ラベル）
        optimizer.zero_grad（）
        loss.backward（）
        optimizer.step（）

        もし（I + 1） ％100 == 0：
             プリント（' エポック[{} / {}]、損失：{：.4f} ' 
                  .format（エポック + 1 、epoches、loss.item（）））

トーチを有します。 no_grad（）：
    正しい = 0 
    合計 = 0
     のために（画像、ラベル）でtest_loader：
        画像、ラベル = images.to（デバイス）、labels.to（デバイス）
        出力 = モデル（画像）
        _は、予測された（= torch.maxをoutput.data、1 ）
        合計 + = labels.size（0）
        ＃ pdb.set_trace（）
        正しい+ =（予測== 。ラベル）.SUM（）項目（）

    プリント（" 合計{}イメージの精度：{}％" .format）合計/正しい（合計、100 *）

畳み込み計算式：N =（W - F.  + 2 P  ）/ S + +1、Wは、入力画像のサイズをいい、ここで、Fは、コンボリューションカーネルのサイズを指し、Pは、パディングを意味し、Sはストライドを指し

結果：のみのみ78.57パーセントの結果、100回繰り返さので。