- Fork项目
访问项目主页:Simple-CNN-CIFAR10
点击右上角的“Fork”按钮,将该项目复制到自己的GitHub账户中。 - 克隆项目到WSL2
创建项目文件夹,并且选择项目克隆,在WSL2终端输入
mkdir -p ~/projects
cd ~/projects`
`git clone https://github.com/Air-LWZ/pytorch-cifar.git`
- 进入克隆的项目目录,运行main.py
cd pytorch-cifar
,python3 main.py
开始训练 - 分析main.py
其中net = SimpleDLA()
是SimpleDLA 是项目中使用的卷积神经网络(CNN)模型类。在这段代码中,它从 models/ 目录中导入了各种预定义的模型类,包括 SimpleDLA。该模型应该是在 models/ 文件夹下的某个文件中定义的,类似于其他模型,如 ResNet18、VGG19 等。
这行代码导入了所有可用的模型类。由于当前代码选择了SimpleDLA()
作为网络结构,这意味着SimpleDLA
是训练用的模型架构。 - 选着模型,开始训练
- 训练过程解析(第12轮训练)
*1. 训练阶段(第一行) -
Epoch: 12 表示当前的训练轮次(第12轮)。
-
Step: 314ms 每个训练批次的平均处理时间为 314 毫秒(ms)。
-
Tot: 2m59s 完成这一轮所有训练批次的总时间为 2 分钟 59 秒。
-
Loss: 0.527 训练集上的损失值为 0.527。损失值越低,表示模型在训练集上的表现越好。
-
Acc: 81.804% (40902/50000) 训练集上的准确率为 81.804%。其中,40902/50000 表示在 50,000 张训练图像中,模型正确分类了 40,902 张。
*2. 测试阶段(第二行)
-
Loss: 0.780 测试集上的损失值为 0.780。损失值相对较高,通常测试集上的损失值会比训练集高,表示模型在测试集上的表现不如训练集。
6.不同的模型,测试结果
7. Push修改的代码
项目Readme.md,链接https://github.com/Air-LWZ/pytorch-cifar.git
使用 PyTorch 进行 CIFAR-10 图像分类
- 本项目演示了如何使用 PyTorch 训练一个神经网络来对 CIFAR-10 数据集中的图像进行分类。该模型能够将图像分类为 10 个不同的类别:飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。代码支持多种网络架构,如 ResNet、VGG、DenseNet 等。
问题:
在终端中配git,git config --global user.name "你的名字"
、git config --global user.email "你的邮箱"
,用git config --list
查看git配置信息
1.本站内容仅供参考,不作为任何法律依据。用户在使用本站内容时,应自行判断其真实性、准确性和完整性,并承担相应风险。
2.本站部分内容来源于互联网,仅用于交流学习研究知识,若侵犯了您的合法权益,请及时邮件或站内私信与本站联系,我们将尽快予以处理。
3.本文采用知识共享 署名4.0国际许可协议 [BY-NC-SA] 进行授权
4.根据《计算机软件保护条例》第十七条规定“为了学习和研究软件内含的设计思想和原理,通过安装、显示、传输或者存储软件等方式使用软件的,可以不经软件著作权人许可,不向其支付报酬。”您需知晓本站所有内容资源均来源于网络,仅供用户交流学习与研究使用,版权归属原版权方所有,版权争议与本站无关,用户本人下载后不能用作商业或非法用途,需在24个小时之内从您的电脑中彻底删除上述内容,否则后果均由用户承担责任;如果您访问和下载此文件,表示您同意只将此文件用于参考、学习而非其他用途,否则一切后果请您自行承担,如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。
5.本站是非经营性个人站点,所有软件信息均来自网络,所有资源仅供学习参考研究目的,并不贩卖软件,不存在任何商业目的及用途
暂无评论内容