如何用PyTorch实现从零开始的AlexNet图像分类？

摘要： 本文在 PyTorch 框架下搭建了 AlexNet ，并在 CIFAR10 上完成了图片分类。同时，更正了一些原论文中的小错误（如：输入图像尺寸）。由于 CIFAR10 没有验证集，本文将训练集的 10% 当作验证集。 完整代码已上传至 GitHub：https://github.com/TiezhuXing01/AlexNet_in_PyTorch 1. 引入库 import torch import torch.nn as nn import numpy as np from torchvision import datasets from torchvision import transforms from torch.utils.data.sampler import SubsetRandomSampler SubsetRandomSampler 是 PyTorch 中的一个采样器（sampler）。 具体可以看这篇文章：SubsetRandomSampler 是什么？ 2. 选择设备 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 通常情况下，我们都会选择在GPU上训练网络模型，因为神经网络的训练需要大量的计算，而英伟达的GPU提供了CUDA（一个加速计算库）。但如果你的电脑显卡是AMD的，那么有很大概率不支持使用CUDA，此时只能用CPU训练。但在CPU上训练模型是十分缓慢的。如果你暂时没法换电脑，那我建议你去租一个服务器。或者使用阿里云、百度飞桨、谷歌Colab等平台。 3. 加载数据集 CIFAR-10 是一个经典的计算机视觉数据集，用于图像分类任务。它包含了来自 10 个不同类别的 60,000 张彩色图像，每个类别有 6,000 张图像。数据集被分为训练集和测试集，其中训练集包含 50,000 张图像，测试集包含 10,000 张图像。本文拿出训练集的 10% 作为验证集。