Foundation_FinalProject

这是一个基于 PyTorch 的 CIFAR-10 简单示例项目，包含训练、测试、模型结构与可视化工具。此仓库用于教学或实验用途。

项目结构

Foundation_FinalProject/
├─ checkpoint.pth          # 训练后保存的模型权重（示例）
├─ main.py                 # 项目入口（使用 --train / --test 参数）
├─ train.py                # 训练代码（包含 train_model 函数）
├─ test.py                 # 测试代码（包含 test_model 函数）
├─ models/simple_cnn.py    # 简单 CNN 模型定义
├─ utils/plot_utils.py     # 可视化工具（plot_loss）
├─ losses.csv              # 训练后每个 epoch 的 loss（CSV 文件）
└─ data/                   # CIFAR-10 数据（由 torchvision 下载或放置）

环境 & 依赖

• 推荐 Python 3.10 或更高（项目中使用 Python 3.14）。
• 使用虚拟环境（venv）隔离依赖。
• 依赖项已经导出到 requirements.txt（基于当前 venv 的 pip freeze）。

快速开始（Windows / PowerShell）

1. 进入项目目录：

cd D:\Code\PythonProjects\Foundation_FinalProject

2. 创建并激活虚拟环境（如果尚未创建）：

python -m venv .venv
Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\.venv\Scripts\Activate.ps1

3. 安装依赖：

pip install -r requirements.txt

4. 训练模型：

python main.py --train

运行后会生成 checkpoint.pth（模型权重）和 losses.csv（包含每个 epoch 的 loss），并显示训练过程中的 epoch loss。

5. 测试模型：

python main.py --test

如果 checkpoint.pth 存在，test_model 会加载并评估模型并输出测试集准确率。

使用说明

• 脚本 train.py 中的 train_model(save_csv=True, verbose=False, save_per_batch=False) 支持参数：
  • save_csv=True：保存 losses.csv（每个 epoch loss）
  • verbose=True：打印每个 batch 的 loss
  • save_per_batch=True：生成 losses_per_batch.csv（每 batch loss）
• 若要直接使用 Pyton 调用训练函数以传入参数：

python - << 'PY'
from train import train_model
train_model(save_csv=True, verbose=True, save_per_batch=True)
PY

可视化

• 使用 utils.plot_utils.plot_loss(losses) 显示训练损失曲线；losses.csv 可以用 Excel / Pandas / 任何工具绘图。

注意事项

• 请避免使用与其他包冲突的通用文件名（例如 test.py），以免导入时被错误解析为其它模块。若发生 ImportError / ModuleNotFoundError，请检查当前 Python 解释器与项目路径。
• 如果 matplotlib 或 torch 导入失败，确保虚拟环境已激活并安装了 requirements.txt 中指定的包。

扩展建议

• 增加更多命令行参数（例如：--epochs、--batch-size、--lr、--save-batch），方便实验控制与重现。
• 将项目改成标准 Python 包形式（带 setup.py 或 pyproject.toml），便于复用。

许可证

示例代码，仅供学习与实验使用。

Foundation_FinalProject

这是一个基于 PyTorch 的简单 CIFAR-10 训练/测试示例项目，包含训练、测试、模型结构和可视化工具。

项目结构

Foundation_FinalProject/
├─ checkpoint.pth          # 训练后保存的模型权重（示例）
├─ main.py                 # 主入口（通过 --train / --test 运行）
├─ train.py                # 训练代码（train_model 函数）
├─ test.py                 # 测试代码（test_model 函数）
├─ models/simple_cnn.py    # 简单 CNN 模型定义
├─ utils/plot_utils.py     # 可视化函数（plot_loss）
├─ losses.csv              # 训练后每个 epoch 的 loss（CSV）
└─ data/                   # CIFAR-10 数据（由 torchvision 下载或预先放置）

先决条件

• Python 3.11+（项目中使用的 venv 上是 Python 3.14，Python 3.10+ 推荐）
• 推荐使用虚拟环境（venv）来隔离依赖
• 依赖项已记录在 requirements.txt（基于当前 venv 的 pip freeze）

快速开始（Windows / PowerShell）

1. 进入项目目录：

cd D:\Code\PythonProjects\Foundation_FinalProject

2. 创建并激活虚拟环境（若尚未创建）：

python -m venv .venv
Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\.venv\Scripts\Activate.ps1

3. 安装依赖：

pip install -r requirements.txt

4. 训练模型：

python main.py --train

训练完成后会生成 checkpoint.pth（模型权重）和 losses.csv（每个 epoch 的平均 loss）。同时会弹出训练 loss 的图像。

5. 测试模型：

python main.py --test

如果 checkpoint.pth 可用，test.py 将加载并评估模型，打印测试集准确率。

进阶使用

• 可通过 Python 直接调用 train.train_model(save_csv=True, verbose=True, save_per_batch=True) 记录更多信息。
• utils/plot_utils.plot_loss(losses) 可用于绘制训练曲线。
• 若要保存更详细的批次级 loss，请在 train_model 中启用 save_per_batch=True。

注意事项

• 避免使用仓库中通用或与库冲突的文件名（例如 test.py），因为可能会与其他包或脚本产生混淆。
• 如果你在运行时遇到 ImportError 或 ModuleNotFoundError：
  • 检查当前解释器是否指向项目虚拟环境（VS Code 左下角或 python --version/sys.executable）。
  • 检查 __init__.py 是否存在于 utils/（已包含一个空的 __init__.py）。
• 若 plot_utils 不工作，请确认 matplotlib 已正确安装并激活在当前 venv 中。

贡献与扩展建议

• 将 train.py 中的训练循环参数化（比如 epochs、batch_size、lr）并通过 argparse 暴露，以便从 main.py 调整实验参数。
• 添加 CLI 标志（如 --save-batch、--verbose）到 main.py，以便更灵活地控制训练输出与 CSV 保存。

许可证

本仓库为示例/作业性质代码，请按照学校/实验室要求管理代码与数据。