CNN 图像分类项目

项目简介

这是一个使用 PyTorch 实现的卷积神经网络（CNN）图像分类项目。模型基于 CIFAR-10 数据集进行训练，能够对 10 类图像（如飞机、汽车、鸟类等）进行准确分类。

该项目的功能包括：

• 数据预处理（数据增强、归一化）
• CNN 模型构建（3 个卷积层 + 全连接层）
• 模型训练和评估
• 使用国内镜像下载 CIFAR-10 数据集

---

项目目录结构

---

项目依赖

在运行此项目之前，请确保安装以下依赖库：

• Python >= 3.7
• torch >= 1.11.0
• torchvision >= 0.12.0
• numpy

您可以通过以下命令快速安装所需依赖：

pip install torch torchvision numpy

数据集

本项目使用的是 CIFAR-10 数据集，包含 10 个类别的 60,000 张 32x32 彩色图像：

• 训练集：50,000 张
• 测试集：10,000 张

项目中采用了国内镜像源（百度云镜像）来下载 CIFAR-10 数据集，以加快下载速度。

---

如何运行项目

1. 克隆仓库

git clone https://github.com/YourUsername/YourRepoName.git
cd YourRepoName

2. 运行主程序

确保安装依赖后，运行以下命令开始训练和评估模型：

python main.py

3. 修改参数

您可以通过修改 main.py 文件中的以下内容调整训练参数：

• 学习率：lr
• 批量大小：batch_size
• 训练轮次：epochs

模型架构

本项目的 CNN 模型包含以下部分：

卷积层块 1：

• 卷积层：输入通道数为 3，输出通道数为 32，核大小为 3x3
• Batch Normalization：批量规范化
• ReLU 激活
• 最大池化层：2x2，步幅 2

卷积层块 2：

• 类似卷积层块 1，输出通道数为 64

卷积层块 3：

• 类似卷积层块 2，输出通道数为 128

全连接层：

1. 扁平化：将 128 个特征图（4x4）拉平成一维向量
2. 全连接层 1：输入 2048，输出 512，Dropout = 0.5
3. 全连接层 2：输出 10（对应 CIFAR-10 的 10 类）

文件说明

1. main.py

• 负责数据加载、训练、评估流程的主脚本。
• 数据增强使用了随机水平翻转和随机裁剪。

2. model.py

• 定义 CNN 模型架构，包含 3 个卷积层块和 1 个全连接层块。

结果展示

在训练 50 个 epoch 后，模型可以达到约 75%-80% 的测试集准确率（具体取决于超参数设置和训练环境）。

作者信息

• 作者：雷曼
• GitHub：man63u
• 联系邮箱：Man.Lei23@student.xjtlu.edu.cn

欢迎提交 issue 或 PR 来改进本项目！