第二次pytorch代码训练：神经网络等内容

Pytorch代码练习：

1.数据集分类

​ 首先，将数据加载进入：

​ 显示数据集中的图像：

​ 然后按照对应的操作创建网络，定义训练和测试函数；之后，在小型全连接网络上进行训练：

​ 再在卷积神经网络上训练：

​ 测试打乱图像像素顺序再次进行测试：

​ 重新定义训练测试函数，对data加入打乱操作后在全连接网络上进行测试：

​ 再在卷积神经网络上进行测试：

​ 可以得出卷积神经网络在打乱顺序后性能下降的结论。

2.数据分类：

​ 首先，按照文件中安排，加载归一化CIFAR10使用torchvision；然后展示其中一部分图片：

​ 然后定义网络，损失函数和优化器，并训练网络：

​ 从刚刚的测试集中取出8张图片，并将他们输入模型查看识别结果：

​ 可以看到识别的准确率略低。

3.用VGG16进行CIFAR10分类：

​ 首先，按照要求对dataloader进行定义：

然后定义VGG网络，通过室友指点，了解到有地方出现问题，并加以修改：

（在头部加入cfg的定义）

初始化网络之后，进行网络训练，测试代码与之前相同（就不放置图片了）

然后测试验证准确率，代码内容：

准确度：

可见简化版VGG就可显著提升准确程度。