基于PyTorch实现的VGG16模型，用于CIFAR-10数据集分类任务.zip

# VGG16 on CIFAR-10 基于PyTorch实现的VGG16模型，用于CIFAR-10数据集分类任务。 ## 项目结构 ``` . ├── models/ │ └── vgg16.py # VGG16模型定义 ├── utils/ │ └── data_loader.py # 数据加载和处理 ├── train.py # 训练脚本 ├── main.py # 主程序入口 ├── checkpoints/ # 模型检查点保存目录 └── README.md # 项目说明 ``` ## 实验目的 本实验旨在通过在CIFAR-10数据集上训练VGG16模型，探究不同超参数对模型性能的影响，包括： - 权重初始化方法 - 激活函数类型 - 卷积核大小 - feature map数量 - 每层及全连接层数量 - 神经元数量 - 损失函数 - 优化器选择 - 学习率 通过实验，分析各超参数模型性能和训练效率的作用，并总结神经网络结构在图像分类任务中的特性与规律。 ## 环境要求 - Python 3.6+ - PyTorch 1.0+ - torchvision - matplotlib - numpy ## 安装依赖 ```bash pip install torch torchvision matplotlib numpy ``` ## 克隆仓库 您可以使用以下命令克隆此仓库： ```bash # 使用HTTPS git clone https://github.com/l14666/vgg16-cifar10.git # 或使用SSH（推荐） git clone [email protected]:l14666/vgg16-cifar10.git ``` ## 使用方法 ### 训练模型 ```bash python main.py --mode train --batch-size 128 --epochs 100 --lr 0.001 --optimizer sgd ``` ### 测试模型 ```bash python main.py --mode test --checkpoint best_model.pth ``` ### 可视化预测结果 ```bash python main.py --mode visualize --checkpoint best_model.pth ``` ### 使用TensorBoard查看训练过程 训练过程中，损失(loss)和准确率(accuracy)会自动记录到TensorBoard中。训练完成后，可以使用以下命令启动TensorBoard服务器： ```bash tensorboard --logdir=runs ``` TensorBoard记录的指标包括： - 训练损失(Loss/train) - 测试损失(Loss/test) - 训练准确率(Accuracy/train) - 测试准确率(Accuracy/test) - 学习率变化(Learning_rate) 不同超参数配置的训练结果会保存在不同的目录中，便于比较不同配置的性能。 ## 参数说明 ### 运行模式 - `--mode`: 运行模式，可选 'train', 'test', 'visualize'，默认为 'train' ### 数据集参数 - `--batch-size`: 批次大小，默认为 128 - `--num-workers`: 数据加载的工作线程数，默认为 4 - `--augment`: 是否使用数据增强，默认为 True ### 模型参数 - `--activation`: 激活函数类型，可选 'relu', 'leaky_relu', 'elu'，默认为 'relu' - `--kernel-size`: 卷积核大小，默认为 3 - `--feature-maps`: 初始特征图数量，默认为 64 - `--fc-layers`: 全连接层数量，默认为 3 - `--neurons`: 全连接层神经元数量，默认为 4096 - `--init-weights`: 是否初始化权重，默认为 True ### 训练参数 - `--epochs`: 训练轮数，默认为 100 - `--lr`: 学习率，默认为 0.01 - `--momentum`: SGD动量，默认为 0.9 - `--weight-decay`: 权重衰减，默认为 5e-4 - `--optimizer`: 优化器，可选 'sgd', 'adam', 'rmsprop'，默认为 'sgd' - `--loss`: 损失函数，可选 'cross_entropy', 'nll', 'focal'，默认为 'cross_entropy' - `cross_entropy`: 交叉熵损失函数，适用于多分类问题，使用 `nn.CrossEntropyLoss()` - `nll`: 负对数似然损失函数，需要在模型最后一层添加LogSoftmax，使用 `nn.NLLLoss()` - `focal`: Focal Loss，用于处理类别不平衡问题，自定义实现 **注意**: train.py中特别处理了NLLLoss的预测逻辑，其他损失函数则使用默认预测方式。 ### 其他参数 - `--no-cuda`: 禁用CUDA训练，默认为 False - `--seed`: 随机种子，默认为 1 - `--save-dir`: 检查点保存目录，默认为 'checkpoints' - `--checkpoint`: 检查点文件名，默认为 'best_model.pth' ## 实验示例 ### 不同激活函数的比较 ```bash # ReLU激活函数 python main.py --mode train --activation relu --epochs 100 # LeakyReLU激活函数 python main.py --mode train --activation leaky_relu --epochs 100 # ELU激活函数 python main.py --mode train --activation elu --epochs 100 ``` ### 不同优化器的比较 ```bash # SGD优化器 python main.py --mode train --optimizer sgd --lr 0.001 --epochs 100 # Adam优化器 python main.py --mode train --optimizer adam --lr 0.001 --epochs 100 # RMSprop优化器 python main.py --mode train --optimizer rmsprop --lr 0.001 --epochs 100 ``` ### 不同损失函数的比较 ```bash # 交叉熵损失函数 python main.py --mode train --loss cross_entropy --epochs 100 # 负对数似然损失函数 python main.py --mode train --loss nll --epochs 100 # Focal Loss python main.py --mode train --loss focal --epochs 100 ``` ### 不同卷积核大小的比较 ```bash # 卷积核大小为3 python main.py --mode train --kernel-size 3 --epochs 100 # 卷积核大小为5 python main.py --mode train --kernel-size 5 --epochs 100 ``` ### 不同特征图数量的比较 ```bash # 初始特征图数量为32 python main.py --mode train --feature-maps 32 --epochs 100 # 初始特征图数量为64 python main.py --mode train --feature-maps 64 --epochs 100 # 初始特征图数量为128 python main.py --mode train --feature-maps 128 --epochs 100